درخت حوزه‌های تخصصی

فلزات قیمتی همچون طلا، نقره و پلاتین از جمله مهمترین متغیرهای مؤثر در سیستم های مالی بوده و پیش بینی قیمت آنها برای تصمیم گیران از اهمیت بسیار برخوردار است . تغییرات سریع در سیستم های مورد مطالعه در دنیای واقعی و بویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان از جهت تامین داده های لازم گردیده است . چرا که مدل های کمی پیش بینی همچون میانگین نیز به (ANNs) دارای محدودیت تعداد داده های گذشته بوده و شبکه های عصبی مصنوعی (ARIMA) متحرک خود رگرسیون انباشته منظور حصول نتایج دقیق احتیاج به داده های زیادی دارند . مدلهای پیش بینی فازی، مدلهایی مناسب در شرایط پیش بینی با داد ه های کم بوده، اما عملکرد آنها در حالت کلی رضایت بخش نمی باشد. استفاده از مدل های ترکیبی یا ترکیب مدل های مختلف یک راه معمول به منظور مرتفع نمودن محدودیت های مدلهای تکی و بهبود دقت پیش بینی ها می باشد؛ لذا در این مقاله به منظور برطرف نمودن محدودیت داده در مدلهای میانگین متحرک خود رگرسیون انباشته کلاسیک و حصول مدل دقیق تر در پیش بینی سری های زمانی، مدل به منظور پیش بینی پیشنهاد شده است. نتایج حاصله بیانگر (FARIMA) ترکیبی میانگ ین متحرک خود رگرسیون انباشته با منطق فازی کارآمدی روش پیشنهادی در پیش بینی بازه تغییرات قیمت طلا می باشد

تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت. در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.

بررسی این موضوع که آیا استفاده از قواعد مبادلاتی مختلف تکنیکال نسبت به استراتژی ساده خرید و نگهداری، سودآوری بیشتری دارد و آیا قواعد مبادلاتی تکنیکال قدرت پیش بینی روند قیمت سهام را دارند یا نه؟ از اهداف این مقاله می باشند. برخی از محققان اشاره کرده اند که این قواعد در بازارهایی نوپا (نظیر مالزی، تایلند و تایوان) کاملا با موفقیت عمل می کنند هر چند که از قدرت این قواعد دربازارهای کشورهای توسعه یافته (نظیر ژاپن و هنگ کنگ) کاسته شده است. برخی دیگر از محققان ناکارایی بازارها را فرصت مناسبی برای سودآور بودن روش های تکنیکال دانسته اند. مطالعه حاضر با تاکید بر قواعد مبادلاتی میانگین متحرک به بررسی سودآوری قواعد مبادلاتی میانگین متحرک در بورس تهران پرداخته است. در نهایت مشخص شد که در بورس اوراق بهادار تهران استفاده از قواعد مبادلاتی میانگین متحرک با طول متغیر (VLMA ) سودآوری بیشتری نسبت به استراتژی ساده خرید و نگهداری دارد هر چند که میزان آن در بین انواع مختلف استراتژی ها از لحاظ طول دوره میانگین متحرک برابر نیست. به عبارت دیگر طبق نتایج به دست آمده مشخص شد که در بورس اوراق بهادار تهران استفاده از میانگین های متحرک کوتاه مدت به جای بلندمدت نتایج بهتری را به دست می دهد.

مدیریت مالی جدید با بررسی تئوری بازار کارا، وجود بی قاعدگیهای تقویمی را از جمله اثر روز های معاملاتی هفته، اثر ماههای خاص سال و نیز بی قاعدگیهای غیرتقویمی؛ مانند اثر انتشار اولیه سهام و اثر سهام از قلم افتاده را مورد تاکید قرار داده است و از آنها به عنوان بی قاعدگیهای تئوری بازار کارا یاد می کند. شناسایی و آزمون وجود یا عدم وجود اینگونه بی قاعدگیها، مبحثی جدید در حوزه سرمایه گذاری در سالهای اخیر بوده است و مطالعات گوناگونی با استفاده از آزمونهای مختلف؛ بویژه سری های زمانی و مدل رگرسیون با متغیر های مجازی در این زمینه صورت گرفته است که به فور در بازار های توسعه یافته و نو ظهور مالی دیده می شود. در این تحقیق با بررسی دقیق هر یک از اثرات تقویمی و غیر تقویمی و تعریف و تشریح کامل بی قاعدگیهای تئوری بازار کارا به مطالعه نمونه ای از آنها با عنوان «اثر ماههای خاص سال در بورس اوراق بهادار تهران» پرداخته شده است. یافته های تحقیق حاکی از وجود اثر بی قاعدگیهای تقویمی در بورس اوراق بهادار تهران است.

یکی از مفیدترین روش ها برای تشخیص زمان ورود و خروج به بازارهای بورس، روش تحلیل تکنیکی است. تحلیل تکنیکی به مجموعه ای از قوانین معاملاتی اطلاق می شود که با بررسی روند گذشته قیمت ها، سعی در پیش‎بینی روند آینده آن‎ ها دارند. با توجه به گستردگی و تعدد روش های تحلیل تکنیکی و این نکته که تمامی‎روش های تحلیل تکنیکی در تمامی بازارها قابل استفاده نیستند، در این مقاله سعی شده است سودآوری برخی شاخص های تحلیل تکنیکی پرکاربرد در بازار بورس تهران مورد مقایسه قرار‎گیرد. به این منظور، سودآوری 46 قاعده معاملاتی، شامل انواع میانگین های متحرک بلندمدت و کوتاه مدت، حدود محافظ و مقاوم، باندهای بولینگر، نوسانگر های استوکاستیک، شاخص قدرت نسبی و میانگین متحرک هم‎گرایی/ واگرایی بر روی 22 شرکت پرمعامله بورس تهران، مورد ارزیابی قرار گرفته است. برای انجام آزمون های آماری، به‎دلیل عدم وجود شرایط آزمون های نرمال، از تکنیک "بوت استرپ" استفاده شده است. نتایج نشان می دهد در بین شاخص های آزمون شده، میانگین های متحرک کوتاه‎مدت و نوسانگر ها از بیشترین سودآوری و حدود محافظ و مقاوم از کم‎ترین سودآوری برخوردارند. میانگین های متحرک بلندمدت نیز با این‎که از سودآوری بیشتری نسبت به استراتژی خرید و نگهداری برخوردار بوده اند، سود کم‎تری را در مقایسه با نوسانگر ها و میانگین های متحرک کوتاه‎مدت ایجاد می‎کنند

فرایندهای سری زمانی را می توان به سه طبقه خطی، تصادفی و آشوبگونه دسته بندی کرد و براین اساس قابلیت پیش بینی در فرایندهای خطی ممکن، درفرایندهای تصادفی غیرممکن و در فرایندهای آشوبگونه تا حدی ممکن است. تحقیقات و مطالعات انجام شده قبلی در زمینه مدل سازی و پیش بینی قیمت سهام بیشتربر اساس اثبات این فرضیه بوده است که تغییرات قیمت و بازده سهام در بازار بورس و مخصوصا بازار بورس تهران علیرغم شباهت زیادی که به رفتار تصادفی و اتفاقی دارد، اتفاقی نیست بلکه از نوع آشوبگونه است و بنابر این می توان توسط مدل های پیچیده و قوی مانند شبکه های عصبی، فازی و ترکیب های مختلف این دو روش مدل سازی و نیز پیش بینی کوتاه مدت و میان مدت را انجام داد. در این تحقیق، تغییرات قیمت و بازده سهام در بازار بورس تهران با هدف مدل سازی بر اساس معادلات دیفرانسیل تصادفی بر روی مقوله پیش بینی، مورد مطالعه و بررسی قرار گرفته است، با در نظر گرفتن نوسانات قیمت سهام به شکل تصادفی و بر اساس مدل بلاک و شولز، مدل سازی دینامیک فرایند مولد قیمت سهام در بازار بورس تهران را با استفاده از معادلات دیفرانسیل تصادفی پیشنهاد کرده و بر این اساس مدل سازی، شبیه سازی و پیش بینی قیمت و بازده برای یکی از شرکت های عضو بازار بورس تهران انجام می گیرد، برای بررسی کارایی روش پیشنهادی مقایسه ای نیز با روش مدل سازی خطی صورت پذیرفته است.

تصمیم گیری در خصوص خرید سهام جدید و با فروش سهام موجود ، با دستیابی به اطلاعاتی در خصوص وضعیت آینده قیمت بازار سهام ممکن می شود . این تصمیم گیری اقتصادی ، در صورتی که بتوان روند آتی قیمت بازار سهام را با استفاده از روشهایی پیش بینی نمود ، سبب کاهش زیان یا ریسک سرمایه گذاری ( تصمیم ) خواهد شد . در تئوریهای جدید مالی ، ترکیب حداقل دو روش پیش بینی می تواند خطای پیش بینی را به میزان زیادی کاهش دهد ( مینز ، 1996 ) ، در این مقاله بر اساس قیمت های هفتگی سهام پذیرفته شده در بورس اوراق بهادار تهران در سال های 78-1377 و با استفاده از روشهای پیش بینی فردی (از قبیل میانگین متحرک ، باکس - جنکینز ، نمو هموار ، ...) ...

در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساساً از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.