امیر شریف فر

با گسترش رقابت بین صندوق های سرمایه گذاری مشترک در نظام مالی ایران، بازاریابی این محصول مالی جهت جذب سرمایه گذاران امری ضروری است. از این رو شناخت عواملی که در رفتار سرمایه گذاران در انتخاب این صندوق ها اثرگذار است به بازاریابی اثربخش این ابزار مالی کمک می کند. در این پژوهش از طرح تحقیق آمیخته از نوع زنجیره ای و از شاخه کیفی--< کمی استفاده شد. در مرحله کیفی و با استفاده از روش تحلیل محتوا بر روی داده های حاصل از مصاحبه ها، 21 شاخص شناسایی گردید. در مرحله کمی با تحلیل عاملی اکتشافی در نهایت شاخص های شناسایی شده در قالب هفت عامل اصلی طبقه بندی گردید. این عوامل عبارتند از: دانش و شناخت سرمایه گذار از صندوق، تبلیغات و اطلاع رسانی، عوامل محیطی، درجه ریسک گریزی سرمایه گذار، بازده و عملکرد، عمربالا و حجم و اندازه صندوق و عامل دسترسی. نتایج آزمون تحلیل واریانس فریدمن نشان داد که از دید سرمایه گذاران مهمترین عوامل موثر بر انتخاب صندوقهای سرمایه گذاری مشترک به ترتیب اولویت عبارتند از: بازدهی و عملکرد، دانش و شناخت سرمایه گذاران از صندوق، درجه ریسک گریزی سرمایه گذار، عوامل محیطی، عمر بالا/حجم و اندازه صندوق، دسترسی و در انتها تبلیغات و اطلاع رسانی.

حضور در بازارهای جهانی و گسترش فعالیت ها در خارج از کشور، یکی از اهداف اصلی شرکت های بزرگ است؛ و در صورتی که انتخاب کشور مقصد جهت سرمایه گذاری همراه با مطالعات کارشناسی است، منبعی سودآور برای شرکت ها خواهد بود. با توجه به اهمیت موضوع انتخاب کشور مناسب جهت سرمایه گذاری، نهادهای مختلفی در زمینه رتبه گذاری و ارزیابی ریسک کشورهای مختلف فعالیت دارند که هر یک به جنبه های به خصوصی تأکید دارند. در پژوهش حاضر شاخص های مؤثر بر سرمایه گذاری در کشورهای بهینه جهت سرمایه گذاری و بر اساس نظر کارشناسان داخلی تدوین شده است. در مرحله نخست، شاخص های کمّی از طریق مطالعات کتابخانه ای و گزارش های منتشر شده از سوی نهادهای بین المللی استخراج شده و شاخص های کیفی مؤثر بر انتخاب کشورهای هدف نیز بر اساس مصاحبه های کارشناسی تعیین شده است. در مرحله دوم، بر اساس 16 شاخص به دست آمده از مرحله قبل و به کارگیری تکنیک های تصمیم گیری فرایند تحلیل سلسله مراتبی و تاپسیس، به مقایسه و رتبه بندی 47 کشور منتخب در غالب سه عامل اصلی سهولت فعالیت در کسب و کار، وضعیت کلان اقتصادی و وضعیت بازار سرمایه دسته بندی شده اند.

اهداف: الگوریتم های مبتنی بر شبکه عصبی پیچشی (CNN) که شاخه ای از مبحث یادگیری عمیق است، در سال های اخیر پیشرفت چشمگیری در حوزه های تحلیل فیلم و تصویر داشته اند؛ موفقیت و پذیرفته شدن الگوهای نوین این حوزه باعث به کارگیری گسترده آنها در زمینه های مختلف اعم از تحلیل متن و داده های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم های یادگیری ماشینی است که در آن از چندین لایه پردازش اطلاعات به ویژه اطلاعات غیرخطی استفاده می شود تا از ورودی خام، بهترین ویژگی های مناسب با هدف تحلیل، بازشناخت الگو یا پیش بینی استخراج شود. روش: در پژوهش حاضر توانایی معماری های مختلف الگوریتم CNN برای پیش بینی قیمت سهام بررسی شده است. نتایج: نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری ها و پارامترهای متفاوت و با استفاده از دو دسته اصلی داده های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان دهنده آن است که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعال سازی ReLU)، دارای خطاهای درصد 79/1 = MAPE و درصد 71/2 =  NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماری ها و الگوریتم RNN است.