نجمه نشاط

هدف: شناخت رفتار بازار سرمایه و سوی گیری های آن ها، پیش زمینه ای برای تحلیل رفتار بازده در زمان وقوع رخدادهای حاکم بر جامعه است. مسائل سیاسی، اقتصادی و اجتماعی روز دنیا، به راحتی می توانند پارامترهای چرخه اقتصاد را تحت تأثیر قرار دهند. بازار سهام نیز به عنوان بخش مهمی از اقتصاد، از این امر مستثنا نخواهد بود. دقت زیاد پیش بینی و شناخت نوسان ها، اطمینان سرمایه گذار را افزایش می دهد و به تصمیم گیری های صحیح و به موقع برای مدیریت دارایی منجر خواهد شد. شناخت کارآمدترین ابزار برای پیش بینی بازده نیز، لازمه تحلیل رفتار این بازار است. هدف پژوهش حاضر، خوشه بندی شرکت های موجود در بازار بورس، برحسب میزان تأثیرپذیری آن ها از پیشامدهای دوره تحریم با استفاده از روش برتر هوش مصنوعی برای پیش بینی است. روش: داده های بازده هفتگی ۲۰۰ شرکت فعال در بازار سهام ایران، اطلاعات مربوط به متغیرهای نوع صنعت، اندازه، نقدینگی و سودآوری شرکت های منتخب در بازه زمانی ۱۳۹۵ تا ۱۳۹۹ به همراه پیشامدهای سیاسی و اقتصادی و اجتماعی برگزیده، در این پژوهش استفاده شده است. در مرحله نخست، چهار مدل LSTM ، DQN ، RF و مدل SVR، به عنوان مدل های برتر یادگیری عمیق و یادگیری ماشین، مقایسه شده است و در ادامه، پیش بینی بازده سهام براساس مدل برتر صورت می پذیرد. در گام دوم، روی سناریوهای حاصل از تأثیرپذیری تغییرات بازده نسبت به هر یک از ورودی های نوع صنعت، اندازه، نقدینگی و سودآوری شرکت ها تحلیل حساسیت انجام می شود و در آخر نیز، به منظور تحلیل دستاوردها، به خوشه بندی نتایج در سه دسته پیشامدهای اقتصادی، سیاسی اقتصادی و اقتصادی اجتماعی با استفاده از روش خوشه بندی تفکیکی پرداخته شده است. یافته ها: پس از مقایسه مدل های یادگیری عمیق (LSTM، DQN) و یادگیری ماشین (SVR، RF)، مشخص شد که برای پیش بینی بازده سهام، مدل LSTM (حافظه کوتاه مدت طولانی)، نسبت به سایر مدل ها برتر است. نتایج حاصل از خوشه بندی نیز، طیف وسیعی از تحلیل ها را بسته به نیاز، در اختیار سرمایه گذاران قرار می دهد که می تواند هنگام مواجهه با رخدادها، مبنایی برای تحلیل روند بازده قرار گیرد؛ اما به طور کل می توان گفت که پیشامدهای سیاسی روی بازده سهام شرکت ها بیشترین تأثیر را می گذارند. پس از آن، پیشامدهای اقتصادی و در آخر پیشامدهای اجتماعی، روی بازده سهام شرکت ها کمترین تأثیر را دارند. در راستای ارزیابی معیارها نیز، به ترتیب معیار اندازه شرکت، نوع صنعت، نقدینگی و در نهایت سودآوری، در آخرین جایگاه رتبه بندی عوامل مؤثر در نوسان ها قرار گرفتند. نتیجه گیری: بازار سهام ایران تحت تأثیر اخبار سیاسی، اقتصادی و اجتماعی و همچنین اقدامات و بیانیه های دولتی قرار دارد؛ اما بسته به نوع خبر، میزان تأثیرپذیری آن ها متفاوت خواهد بود. تأثیر پیشامدها بر بازده سهام، به صورت مستقیم است و صدق این عبارت که طی وقوع پیشامدهای سیاسی، اقتصادی و اجتماعی، بازده شرکت های بورسی بسته به نوع صنعت، اندازه، نقدینگی و سودآوری شرکت ها دچار نوسان می شوند، به تأیید می رسد. در این میان، پیشامدهای سیاسی بیشترین تأثیر را بر بازده سهام شرکت ها دارند و باید در کانون توجه فعالان بازار سرمایه قرار گیرند.  

امروزه سیاستگذاری در شرایط بحران مالی با هدف خنثی سازی تبعات سوء اقتصادی، اجتماعی و سیاسی به یکی از مهم ترین ارکان مدیریت اقتصاد جهانی تبدیل شده است. با عنایت به پیشرفت سریع فناوری و تکنولوژی ها ی کامپیوتری می توان الگوی دقیق تری از این پدیده بر اساس تجربیات قبلی ترسیم و در قالب یک سیستم پشتیبان تصمیم گیری مورد استفاده قرار داد. با تکیه بر قابلیت تعمیم دهی مدل های شبکه عصبی مصنوعی، این رویکرد به منظور مدل سازی دینامیک های موجود در پدیده بحران مالی مورد استفاده قرار گرفته است. متغیرهای وضعیت اقتصادی، تولید ناخالص داخلی، شاخص ارزش صادرات، شاخص ارزش واردات، موقعیت زمانی و موقعیت جغرافیایی هر کشور در هنگام وقوع بحران مالی به عنوان ورودی های مدل شبکه عصبی مصنوعی و ترکیب بهینه سیاست ها برای مقابله با بحران مالی به عنوان خروجی مدل تعریف شده است. به منظور آموزش این شبکه، از اطلاعات مشخصات و شرایط حاکم بر سیستم ها و نیز سیاست های اتخاذ شده در مواجهه با بحران های مالی بزرگ دنیا از سال 1997 تا به امروز استفاده شده است. به منظور نشان دادن قابلیت مدل پیشنهادی، نحوه طراحی و پیاده سازی سیستم پیشنهادی در مورد بحران شیوع ویروس کووید-19 در ایران مورد کاوی شد. نتایج به دست آمده بیانگر آن می باشد که استفاده از مدل پیشنهادی به عنوان پشتیبان سیاستگذاران و تصمیم گیران حوزه های مدیریت مالی می تواند در حل مسائل نیمه ساختار یافته کمک کننده باشد و موجب بهبود کارایی تصمیم گیری و توجه بیشتر به اثر بخشی آن شود. به طوری که با توجه به نتایج حاصل از پژوهش حاضر، اتخاذ سیاست های پولی و مالی انبساطی و اعطای بسته های حمایتی به عنوان راهکارهای اساسی جهت کاهش اثرات بحران مالی ناشی از همه گیری کرونا در کشور ایران توصیه می شود.

صنعت گردشگری، مهم ترین منبع درآمد و ایجاد فرصت های شغلی برای بسیاری از کشورهای دنیاست که موتور توسعه محسوب می شود. بدون شک، چنین صنعتی در مقایسه با انواع بحران های طبیعی، انسانی و بیولوژیک آسیب پذیر است و شیوع بحران ها این صنعت را با چالش های جدی مواجه می کند. هدف از انجام این پژوهش، ارائه یک سیستم تصمیم یار مبتنی بر رویکرد شبکه عصبی است که با الگوبرداری از تجربیات کشورهای مختلف در مقابله با بحران های گردشگری ایجاد شده است. مدل شبکه عصبی پیشنهادی با تکیه بر قابلیت تعمیم دهی خود قادر است تا با مدل سازی دینامیک های موجود بین «سیاست ها/ عوامل و شرایط» حاکم بر اکوسیستم ها و «میزان اثربخشی سیاست های اتخاذ شده»، اثربخشی سیاست های پیش رو را برای بحران های احتمالی در اکوسیستم های مختلف پیش بینی کند. نحوه طراحی و پیاده سازی سیستم پیشنهادی برای بحران کرونا موردکاوی شد. خروجی های مدل بیانگر آن است که بهترین سیاست اتخاذشده برای بازگشت به شرایط گردشگری قبل از این بحران بیولوژیک در ایران، بهره گیری از سیاست «ترکیبی اقتصادی و مالی با آمادگی در مقابله با بحران» در وهله اول و سیاست «ترکیبی تمرکز بر گردشگری داخلی همراه با آمادگی» در مرتبه بعدی است که با توجه به معیارهای توسعه پایدار گردشگری و شرایط تحریم های اقتصادی در ایران، سیاست دوم برطبق معیار تعریف شده مدل، کاربردی تر خواهد بود.  

امروزه بسیاری از شرکت ها علاقه زیادی به اطلاعات مربوط به هزینه های واقعی محصولات و خدماتشان دارند. به منظور اندازه گیری هزینه های واقعی، چند روش و تکنیک در ادبیات ارائه شده است. یکی از مهم ترین آنها روش هزینهیابی برمبنای فعالیت (ABC) است. تعیین محرک هزینه در این روش هزینهیابی مرحله ای دشوار به شمار میآید. روش های مختلف برای این منظور معرفی شده اند اما هر روش نقاط ضعف خود را دارد. این مقاله به معرفی روش های دادهکاوی و تحلیل عاملی جهت بهبود و کارآیی تعیین محرک هزینه در سیستم هزینهیابی ABC میپردازد. روش های پیشنهادی به تصمیم گیرندگان اجازه میدهد تا چندین محرک هزینه و آثار آنها بر هزینه را به طور همزمان درنظر گرفته و مورد بررسی و تحلیل قرار دهند. بهکارگیری موفق روش ارائه شده در این مقاله در یکی از بانکهای ایرانی پیشرو (بانک توسعه صادرات ایران: EDBI)، تأییدی بر سودمندی و اثربخشی نتایج بهکارگیری روش پیشنهادی برای سیستم بانکی است.

در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل‌سازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی، با هدف کنترل پیش‌بینانه کیفیت، برای نخستین‌بار تشریح و پیاده‌سازی شده است. استفاده ازANNs در این مقاله، به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده‌های مستقیم است. فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا پایایی مدل عصبی، با محاسبه و تحلیل شاخص‌های ارزیابی پایایی مدل که عبارتند از: ضریب تعیین ، میانگین خطای نسبی (MRE) و جذر میانگین مربعات خطا (RMSE)، برای مدل عصبی و مدل عصبی- آماری (مدل عصبی با اعمال تحلیل رگرسیونی) تایید شد. در انتها با توجه به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی‌های فرآیند توسط مدل عصبی- آماری فرآیند طراحی شد که با استفاده از آن می‌توان کنترل پیش‌بینانه را جایگزین روش‌های مبتنی بر سعی و خطا برای کنترل فرآیند کرد.