درخت حوزه‌های تخصصی

یکی از راه های تامین سرمایه برای سرمایه گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم ترین عاملی که در اتخاذ سرمایه گذاری در بورس فراروی سرمایه گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش بینی قیمت آینده نیز مطرح می شود. فعالان در این بازار درصدد دستیابی و به کارگیری روش هایی هستند تا با پیش بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده های نفتی پارس- با به کارگیری داده های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMAصورت پذیرفته است. نتایج به دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح دهندگی بالاتر و در نتیجه پیش بینی بهتری را نسبت به روش رگرسیونی نشان می دهد.

تصمیم گیری بهینه در بازارهای اوراق بهادار و سهام نیازمند برخورداری از ابزارها و فنون مناسب برای تحلیل و انتخاب بهترین گزینه های سرمایه گذاری است. در این بین صورت های مالی شرکت ها از جمله مهم ترین اطلاعات مالی برای تحلیل بنیادی سهام شرکت ها است. پژوهش حاضر با مبنا قراردادن اطلاعات بنیادی در صورت های مالی شرکت ها، تلاش نموده است تا اثر بخشی 10 مورد از مهم ترین نسبت های مالی را در پیش بینی بازده آتی و سود آتی 252 شرکت از 1380 ) در شرکت های بورس اوراق بهادار تهران که اطلاعات مالی آنها در یک دوره 6 ساله ( 1385)دسترس بوده است را آزمون نماید. یافته های پژوهش نشان داده است که نسبت های سود آوری و نسبت های فعالیت می توانند پیش بینی کننده مناسبی برای بازده آتی سهام در بورس اوراق بهادار تهران باشند . با این حال ارتباط معنی داری میان نسبت های مالی و سود آتی نشان داده نشده است که احتمالاً ناشی از هموار سازی سود در شرک ت های ایرانی است.

سرایت تلاطم میان شاخص های مالی، حاکی از فرآیند انتقال اطلاعات میان بازارها می باشد. هنگامی که بازارهای مالی با یکدیگر مرتبط هستند، اطلاعات ایجاد شده در یک بازار، می تواند سایر بازارها را متاثر سازد. در این پژوهش برای بررسی سرایت تلاطم بین شاخص های صنعت سیمان، کاشی و سرامیک و شاخص شرکت های سرمایه گذاری از یک مدل FIGARCH چندمتغیره استفاده می شود. این مدل چندمتغیره توسعه ای از مدل BEKK می باشد که پارامتر حافظه بلندمدت (d) در آن لحاظ گردیده و آن را در طی فرآیند مدل سازی برآورد می نماید. وجود حافظه بلندمدت در بازده دارایی ها هم از جنبه های تئوریک و نیز از جهت کاربردی از اهمیت برخوردار است. دستیابی به این پارامتر، تحلیل گران بازارهای مالی را در شناخت نوع و ماهیت شوک های وارد شده به این بازار از نظر کوتاه مدت یا بلندمدت بودن آن کمک می کنند. در تحلیل نتایج تجربی، که از داده های روزانه دوره زمانی 01/06/1385 تا 01/06/1389استفاده می شود، سرایت از شاخص صنعت سیمان به شاخص کاشی و سرامیک و سرمایه گذار ی ها مشاهده شد که دربازدهی سهام کاشی و سرامیک این اثر به صورت دو طرفه مشاهده شد و از شاخص صنعت سیمان به شاخص کاشی و سرامیک این اثر بیشتر است. نتایج حاصل وجود اثر تقدم و تاخر و جریان اطلاعات در این دو سری زمانی را تایید می کرد. همچنین سرایت تلاطم از سهام سرمایه گذاری به کاشی و سرامیک و بالعکس نیز وجود داشت اما در مورد سهام صنعت سیمان و سرمایه گذاری هاصرفا سرایت یک طرفه از سمت سیمان مشاهده شد. مقایسه نتایج حاصل از تخمین مدل FIGARCH چندمتغیره با مدل GARCH چندمتغیره، حاکی از نزدیک بودن ساختار تحلیلی این دو مدل بود لیکن مدل FIGARCH چندمتغیره قدرت برازش و دقت بیشتری از سرایت تلاطم های بازده را فراهم می سازد که با تئوری های پایه اقتصادی مطابقت بیشتری داشت.

در این تحقیق برای بررسی تاثیر اطلاعات ارائه شده توسط سیستم اطلاعاتی حسابداری بر پیش بینی ارزش سهام و سودهای غیرعادی از متغیرهای سود (نماینده صورت سود و زیان )، ارزش دفتری حقوق صاحبان سهام (نماینده ترازنامه) و بازده دفتری حقوق صاحبان سهام (که بیانگر تعامل و ارتباط این دو صورت مالی است) استفاده شده است. سود حسابداری به دو جزء تعهدی و نقدی (به عنوان نماینده صورت گردش وجوه نقد با تاکید بر مفهوم جریانهای نقدی عملیاتی) تقسیم شده است. هر چه توان پیش بینی کنندگی و قدرت توضیحی اطلاعات حسابداری بیشتر باشد؛ حسابداری به اهداف تعیین شده اش نزدیک تر شده و بیانگر ارزشمندی و ضرورت ارائه اطلاعات حسابداری است. نتایج آزمون فرضیه های پژوهش، با به کارگیری اطلاعات مالی 132 شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران برای سالهای 1379 تا 1388 نشان میدهد که اجزای سود، با سودهای غیرعادی رابطه ای معنی دار ولی بر عکس هم دارند. بدین صورت که رابطه اقلام تعهدی مثبت و رابطه جریان های نقدی منفی است. همچنین اجزای سود با ارزش بازار سهام رابطه ای مثبت و معنیدار دارند. از میان دو جزء سود، جزء نقدی توانایی بیشتری در پیش بینی ارزش بازار سهام دارد.

این مقاله یک مطالعه تجربی برای بررسی رابطه میان بازده شاخص سهام و نرخ تورم با استفاده از روش چند مقیاسی موجک در بورس اوراق بهادار تهران است. در این پژوهش، ضمن مرور اجمالی برخی پژوهش های تجربی پیشین، فرضیه فیشر مبنی بر وجود رابطه مثبت بین نرخ بازدهی اسمی سهام و نرخ تورم با استفاده از روش چند مقیاسی موجک را آزمون می نماییم. روش چندمقیاسی امکان بررسی رابطه یاد شده را در مقیاس های زمانی متفاوت فراهم می نماید. نتایج تحلیل رگرسیون در محدوده موجک و همبستگی موجک نشان می دهد که رابطه بین تورم و بازده سهام در افق کوتاه مدت، منفی و در افق میان مدت و بلندمدت مثبت است. یافته های این پژوهش با نتایج مطالعات عزیزی (1383)، بودوخ و ریچاردسون (1993)، ونگ و وو (2000) و راین (2006) که با رویکردهای غیر از تجزیه و تحلیل موجک انجام شده اند، سازگار است. یافته های این پژوهش همچنین از فرضیه فیشر حمایت قوی نموده و با نتایج کیم و این (2005) که رابطه بین تورم و بازده سهام را با استفاده از رویکرد تجزیه و تحلیل موجک مورد مطالعه قرارداده ند، تا حدی متفاوت است ولی سازگاری نسبی دارد. بدین ترتیب که در مطالعه کیم و این رابطه بین تورم و بازده سهام در کوتاه و بلندمدت، مثبت اما در دوره های میان مدت، منفی است.

وجود سرایت در بازده و تلاطم دارایی های مختلف اهمیت زیادی در مطالعه کارایی بازار، انتخاب سبد دارایی و قیمت گذاری دارایی ها دارد. در این تحقیق سرایت بازده و نیز سرایت تلاطم بین سه شاخص اندازه - مرتب در بورس تهران با استفاده از یک مدل VAR-BEKK بررسی شده است. به نظر می رسد، بازده های روزانه شاخص شرکت های کوچک تر، با تاخیر، دنباله روی بازده های روزانه شاخص شرکت های بزرگ تر هستند (ویژگی تقدم - تاخر)؛ ولی چنین ویژگی در بازده های ماهانه و فصلی شاخص ها مشاهده نمی شود. در ضمن، هیچ گونه سرایتی بین تلاطم شاخص ها مشاهده نمی شود. این در حالی است که سرایت تلاطم در بسیاری از بازارهای مالی دنیا مشاهده شده است. وجود محدودیت دامنه نوسان قیمت ها و قانون حجم مبنا در دوره ی مورد مطالعه، میتواند مهم ترین دلیل مشاهده این پدیده باشد.

سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارایه یک مدل پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه عصبی مصنوعی به صورت منفرد پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی فازی و الگوریتم های ژنتیک، با استفاده از چهار معیار سنجش خطا، نتایج دو مدل مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی شبکه های عصبی فازی و الگوریتم های ژنتیک پیش بینی های بسیار مناسب تری داشته و نسبت به شبکه عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی قیمت سهام برخوردار بوده است.

پیش بینی تلاطم یکی از مهم‎ترین موضوعات مورد مطالعه ریسک در بازارهای مالی است. در تحقیق حاضر ابتدا با استفاده از روش‎های GARCH، تلاطم موجود با استفاده از 1467 داده روزانه برای شاخص قیمت بورس تهران برآورد شده و بهترین مدل‎ها در تخمین و پیش بینی تلاطم برای توزیع نرمال و توزیع تی- استیودنت نتیجه شده است. با توجه به وجود علائم حافظه بلندمدت برای تبیین میانگین شرطی، از مدل ARFIMA و برای واریانس شرطی، در کنار مدل‎های با حافظه کوتاه مدت، از مدل با حافظه بلندمدت FIGARCH استفاده شده است. برای انجام پیش بینی در دوره خارج از دوره نمونه، مدل ARFIMA-FIGARCH با توزیع نرمال، دقیق‎ترین مدل بوده و نتایج بهتری را ارائه می‎دهد. یکی از روش‎های مطرح در بررسی ریسک‎ها و مدیریت ریسک، تخمین VaR یا ارزش در معرض خطر است. مقایسه مدل‎ها نشان می‎دهد که در سطوح اطمینان متفاوت برای تخمین ارزش در معرض خطر، مدل‎های مختلف نتایج متفاوتی می‎دهند، ولی می توان گفت مدل FIGARCH در سطح معنی داری 5/2٪ بهترین عملکرد را در میان مدل‎های GARCH دارد.

هدف تحقیق حاضر ارائه مدل پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به ­صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان می­دهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار تهران را دارا می­باشد. در پایان مقاله، بحث، نتیجه گیری، پیشنهادات کاربردی و نیز مواردی در خصوص ادامه و پی­گیری تحقیقات مشابه در آینده بیان شده است.

در این مقاله با استفاده از داده‎های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظه بلند این شاخص پرداخته و مدل ARFIMA را بر آن برازش می‎دهیم. هم‎چنین عملکرد پیش‎بینی مدل ARFIMA را با مدل ARIMA مقایسه می‎کنیم. نتایج نشان می‎دهند که اولاٌ این سری زمانی از نوع حافظه بلند است، بنابراین می‎توان با تفاضل‎گیری کسری آن را مانا کرد. پارامتر تفاضل‎گیری به‎دست آمد. پس از تفاضل‎گیری کسری و تعیین تعداد وقفه‎های اجزای خودبازگشت و میاانگین متحرک مدل، شکل کلی به‎صورت ، مشخص می‎شود. پارامترهای این مدل برای 900 داده درون نمونه‎ای برآورد شده است و از آن‎ها برای پیش‎بینی 70 داده خارج از نمونه استفاده می‎شود. مقایسه عملکرد پیش‎بینی مدل ARFIMA با مدل ARIMA، نشان می‎دهد که مدل ARFIMA از قدرت پیش‎بینی‎کنندگی بالاتری برخوردار است.

در این پژوهش، عملکرد پیش بینی مدل های نوسان شرطی و غیرشرطی (11 مدل) در خصوص پیش بینی نوسان شاخص نقدی و قیمت بورس تهران را بر اساس معیارهای ارزیابی(متوسط قدرمطلق خطا) ، میانگین مربعات خطا و تایل مورد بررسی قرارداده ایم. افزون بر این، تاثیر عواملی نظیر دامنه مجاز و نحوه محاسبه نوسان بر رفتار آن را نیز مورد تجزیه و تحلیل قرار داده ایم. نتایج نشان می دهد عملکرد مدل میانگین متحرک 250 روزه، هموارسازی نمایی و CGARCH طبق معیارهای RMSE و Theil از مدل های دیگر بهتر است. از سوی دیگر، طبق مدل های نوسان شرطی(به استثنای مدل PARCH) تغییر دامنه مجاز نوسان بر روی نوسان تاثیرگذار بوده، در حالی که مدل میانگین متحرک خودرگرسیو (ARMA) خلاف آن را نشان می دهد. مطالعه رفتار نوسان به صورت روزانه و ماهانه نیز نشان می دهد که نوسان در این دو حالت رفتار متفاوتی از خود نشان می دهد.