درخت حوزه‌های تخصصی

یکی از گزینه های موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار می باشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیش بینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشت های آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتم های بهینه سازی جستجوی پیشین می باشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سال های 1389 تا 1395 به آموزش شبکه عصبی با الگوریتم های بهینه سازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیش بینی(آماره های اندازه گیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار می باشد.

در مدل سازی بازارهای مالی همواره این نکته دارای اهمیت بوده است که چگونه می توان انحراف مداوم قیمت های مالی را از قیمت های بنیادی آن با استفاده از تعاملات میان عواملِ ناهمگن در بازار تشریح کرد. یکی از روش های تشریح این موضوع استفاده از رهیافت اقتصاد محاسباتی عامل محور است. در میان ادبیات مدل های عامل محورِ عقاید ناهمگن، مدل های مبتنی بر تعاملات بین بنیادگراها و نمودارگراها از اهمیت خاصی برخوردار است، زیرا یکی از عواملی که می تواند نقش مهمی در توضیح تلاطم و نوسانات بازار سهام داشته باشد، احساسات، عقاید و انتظارات سرمایه گذاران در مورد تغییرات آتی قیمت سهام شرکت-هاست. در این مقاله تلاش می شود با ارایه یک مدلِ محاسباتی عامل محورِ ساده برای تقاضای سهام ، که در اکثر مطالعاتی که به بررسی نقش عوامل و تقاضاهای ناهمگن در شکل گیری قیمت دارایی ها می پردازند از روایتی از آن استفاده می شود، نقش انتظارات ناهمگن در پویایی شاخص کل قیمت، بررسی شود. برای تعیین انتظارات یا تأثیر نسبیِ عوامل از روش دیچی و وسترهف (2012)، استفاده می شود. در این مدل برخی از عوامل دارای تقاضای بی ثبات کننده یا برون یابانه می باشند ( نمودارگراها) و برخی از آنها دارای تقاضای تثبیت کننده یا برگشت به میانگین (بنیادگراها) می باشند . بدین منظور از داده های هفتگی، ماهانه و فصلی مربوط به شاخص کل قیمت بازار سهام تهران از سال 1376 تا 1392 استفاده شده است. نتایج مدل سازی نشان می دهد که حساسیت نسبی تقاضای خریداران با انتظارات مختلف نسبت به تغییرات قیمت، و تأثیرِ نسبی آنها بر کل تقاضا، نقش مهم و معناداری در پویایی قیمتی بازار سهام تهران، دارد. از سوی دیگر، تأثیر نسبی نمودارگراها بر کل تقاضای هفتگی یا انتظارات نمودارگراییِ هفتگی در طی دو دهه ی گذشته بیش از 80 درصد بوده است.

Companies incur significant costs from the financial distress. Predicting financial distress will have an important role in preventing bankruptcy. The aim of the present study is to predict the financial distress costs using the Leland and Toft models, during 1996 and 1998. This study examines data relating to 49 companies listed in the Tehran stock exchange collected over ten years from 2005 to 2014. Leland and Toft model (1996) considers the financial distress costs and benefits from the tax shield in general. However, Leland and Toft model (1998) considers the financial distress costs and benefits from the tax shield in detail by using parameter. According to the research findings, the companies working in automotive industry are bankrupt, but the companies working in food and beverage, pharmaceutical, base metals and cement industries have a good distance from financial default. The results help to improve the decision-making process and to avoid the financial distress.

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل های مختلف شبکه های عصبی پیش بینی شده است. تحقیق از نوع کاربردی است و دوره زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل WDBP از موجک db5 برای نویززدایی داده ها و تا پنج مرحله صورت گرفته است. جذر میانگین مربعات خطا (RMSE) معیارِ ارزیابی برای سنجش خطای پیش بینی است. نتایج این تحقیق نشان می دهد، عملکرد شبکه عصبی موجکی در پیش بینی شاخص سهام سطح خطای کمتری دارد و از شبکه عصبی بهتر است.

پیش بینی سود حسابداری و تغییرات آن به جهت استفاده در مدل های ارزیابی سهام، توان پرداخت، ریسک، عملکرد واحد اقتصادی و مباشرت مدیریت از دیرباز مورد علاقه سرمایه گذاران، مدیران، تحلیلگران مالی و اعتباردهندگان بوده است. سود هر سهم اغلب برای بررسی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود. در این تحقیق عملکرد سه مدل تخمینگر بردار پشتیبان، تخمینگر حداقل درجه و شبکه عصبی فازی در پیش بینی سود هر سهم مورد ارزیابی قرار گرفته است. در این تحقیق از ۹ متغیر مالی، ۷ متغیر بنیادی و ۴ متغیر کلان استفاده شده است. ابتدا متغیرهای مالی ،متغیرهای بنیادی و کلان اقتصادی به صورت جداگانه و سپس بطور همزمان وارد مدل ها شده اند تا توانایی آن ها در هر سه حالت مورد ارزیابی قرار گیرد. نتایج تحقیق نشان می دهد که مدل تخمینگر حداقل درجه در هر سه حالت فوق (متغیرهای مالی، متغیرهای بنیادی و کلان اقتصادی) عملکرد بهتری نسبت به سایر مدل ها داشته است

مدیریت کارای سبد اوراق بهادار از دیرباز تاکنون مورد توجه محققان حوزه مالی و مطلوب سرمایهگذاران بوده است. در این پژوهش به بررسی مسأله بهینهسازی سبد اوراق بهادار چنددورهای برای مدیریت دارایی و بدهی برای سرمایهگذاری که قصد دارد قبل از رسیدن به انتهای افق سرمایهگذاری خود، احتمال ورشکستگی را نیز کنترل نماید، پرداخته شده است. سبد اوراق بهادار مورد بررسی، شامل مجموعه ای از داراییهای ریسکی، دارایی بدون ریسک و نوعی از بدهی است. یک مدل میانگین- واریانس که دارای محدودیت کنترل ورشکستگی در افقهای زمانی مختلف است، ارائه شده است. رویکرد حل در نظر گرفته برای مدل پیشنهادی، روش لاگرانژ افزاینده بهمراه برنامهریزی پویا است که با توجه به درجه پیچیدگی آن، الگوریتم ژنتیک برای ارائه جواب پیشنهاد میشود. نتایج عددی مدل با سبدی متشکل از 10 شرکت پذیرفته شده در بورس اوراق بهادار تهران ، اوراق مشارکت به عنوان دارایی بدون ریسک و وام بانکی به عنوان بدهی سرمایهگذار، به عنوان خروجی مدل ارائه شده است. نتایج حاکی ازآنست که کنترل ورشکستگی اثر پر معنایی روی استراتژی بهینه سرمایهگذاری دارد، به عبارت دیگر هنگامی که محدودیت کنترل ورشکستگی اعمال میشود، نسبت به زمانی که در نظر گرفته نمیشود، تعداد دفعات رسیدن به ورشکستگی کاهش چشمگیری دارد.