درخت حوزه‌های تخصصی

چگونگی مرتبط کردن داده های عملکردی با بودجه به عنوان یکی از مفاهیم اساسی بودجه ریزی بر مبنای عملکرد، از دغدغه های پژوهشگران بودجه ریزی و مدیران است. نحوه انتساب فعالیت ها به منابع و مشخص کردن سهم محرک های منبعی، یکی از پیچیده ترین بخش های بودجه ریزی بر مبنای عملکرد است. در اغلب روش های مرسوم برای هزینه یابی و بودجه ریزی، معمولاً فرض می شود رابطه ای خطی بین فعالیت ها و هزینه ها وجود دارد. در حالی که یک تابع هزینه، در عمل، همیشه خطی نیست و خطی فرض کردن آن، منجر به محاسبات اشتباه در بودجه فعالیت ها، خروجی ها و برنامه ها خواهد شد. در مقاله حاضر، برای حل مسئله تخمین رابطه بین فعالیت ها و منابع (هزینه ها) از رویکرد شبکه های عصبی مصنوعی استفاده شده است. برای آموزش و آزمون مدل شبکه عصبی، از داده های بانک تجارت ایران استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها، در نظر گرفتن روابط بین هزینه – مرکز هزینه، به صورت غیرخطی است. معماری خاص شبکه پیشنهادی (معماری چندلایه پیش خور با ارتباطات پرشی) باعث می شود تا علاوه بر پیش بینی هزینه، مقدار سهم محرک های منبعی نیز از مدل قابل استخراج باشد. مقایسه نتایج به دست آمده از الگوی پیشنهادی برای مقدار محرک ها با نتایج نظرسنجی از خبرگان برای محرک های منبعی، اختلاف قابل قبولی را نمایش می دهد.

همچنان مدل پورتفوی مارکویتز در حرفه و مباحث علمی سرمایه گذاری، رویکرد غالب است. در قیاس با رشد روزافزون استفاده از پورتفوی ها و با وجود ادبیات غنی آن، همچنان مشکل ها و سؤال های بی پاسخ فراوانی در این باره وجود دارد. چگونگی انتخاب پورتفوی، از جمله مسائل بحث برانگیز است. انتخاب روش بهینه سازی پورتفوی نیز، یکی از مهم ترین زیرشاخه های این مقوله است. هدف این پژوهش، ارائة ابزاری مفید و کارآمد برای کمک به متخصصان حوزة مالی در عمل و همچنین محققان مالی در تئوری انتخاب پورتفوی است. این پژوهش، علاوه بر بررسی روش های کلاسیک و ابتکاری در بهینه سازی، الگوریتم های ابتکاری را با یکدیگر ترکیب کرده و آن را بر مسئلة بهینه سازی پورتفوی در بورس اوراق بهادار تهران بین سی و پنج شرکت از پنجاه شرکت برتر بازار، اعمال می کند. نتایج تحقیق نشان می دهد که ترکیب الگوریتم های ژنتیک و نِلدر ‐ مید با مسئلة بهینه سازی پورتفوی به خوبی سازگاری دارد و در مقایسه با کاربرد جداگانة الگوریتم ژنتیک، ترکیب با سرعت همگرایی بهتر به پاسخ بهینه و ریسک ‐ بازدهی مناسب تر، عملکرد بهتری را دارد. همچنین نتایجِ مقایسه پورتفوی های روش ترکیبی نشان می دهد که اگرچه سرعت همگرایی و تنوع بخشی پورتفوی اطلاعات ماهانه، بیشتر از پورتفوی سالانه است؛ اما عملکرد ریسک ‐ بازدهی پورتفوی اطلاعات سالانه، بهتر از پورتفوی ماهانه است.

این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت نفت خام ایران انجام شده است داده های مورد استفاده به صورت هفتگی و شامل دورهی 2010-1997 میباشد و پیش بینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیش بینی، شامل 4 الگوی شبکهی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکهی پیشخور پس انتشار، شبکهی آبشاری پس انتشار، شبکهی المان پس انتشار و شبکهی رگرسیون تعمیم یافته می باشد. هم چنین توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبهی نیوتنی است. یافته های به دست آمده نشان میدهد برای پیش بینی 10 درصد از داده های قیمت نفت خام، الگوهای شبکهی رگرسیون تعمیم یافته و شبکهی آبشاری پس انتشار با تابع آموزش شبهی نیوتنی، به ترتیب با خطایی کم تر از 1 و کم تر از 2 درصد دارای بهترین عملکرد هستند. برای پیش بینی 20 درصد داده های قیمت نفت خام ایران، شبکهی پیشخور پس انتشار و شبکهی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر میباشند. در مورد 30 درصد از داده ها نیز شبکهی پیشخور پس انتشار مطلوب تر ارزیابی شده است. هم چنین نتایج نشان میدهد به طور نسبی با افزایش درصد داده های مورد استفاده در پیش بینی، دقت پیش بینیها به ویژه با افزایش از 10 درصد به 20 درصد رو به افول میرود. دقت پیش بینی خودرگرسیون میانگین متحرک نیز پایین تر از الگوهای شبکهی عصبی ارزیابی میشود.

ین مقاله به بررسی مقایسه ای توان شبکه های عصبی مصنوعی و سری های زمانی خودبازگشت در پیش بینی ایستای نرخ تورم ایران می پردازد. در یک بررسی، با استفاده از 37 سال داده های تاریخی نرخ تورم ایران، مدل شبکه عصبی مصنوعی در پیش بینی آینده نزدیک در مقایسه با سری های زمانی خودبازگشت، به‎طور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقف زودهنگام در مرحله یادگیری شبکه عصبی برای پیش بینی سری های زمانی نشان داده شده است.

یکی از اشکالات جدی که در مدلهای اقتصادسنجی ممکن است بروز کند، درونزا بودن برخی از متغیرهای توضیحی مدل و در نتیجه اریب شدن پارامترهای تخمینی می باشد. روش همسان سازی بر اساس نمرات گرایش بعلت رسیدگی اثر تیمار و همچنین رفع مسئله ی سوگیری انتخاب، در سه دهه ی گذشته در علومی نظیر آمار، اقتصاد و پزشکی کاربرد فراوانی داشته و در سنوات اخیر در حسابداری و علوم مالی کاربرد زیادی پیدا نموده است. هدف تحقیق حاضر معرفی این ابزار جهت استفاده بیشتر در تحقیقاتی می باشد که با رویکرد مقایسه جفت ها می باشد و بدنبال رفع مشکل درون زائی و سوگیری انتخاب و کاهش تعداد متغیرها می باشد.

مصرف گاز طبیعی به عنوان یکی از مهم ترین حامل های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن می باشد. با معرفی و کاربرد گسترده مدل های مختلف همچون شبکه های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن ها، آگاهی از دقت این مدل ها جهت نیل به هدف پیش بینی دقیق تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به کارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده ترین بخش مصرف کننده، به مقایسه دقیق تر این پیش بینی ها با استفاده از باز نمونه گیری از نمونه ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از داده های اردیبهشت ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال های 1389 و 1390 توسط آن ها پیش بینی و فاصله اطمینان 95 درصدی برای پیش بینی ها محاسبه شد. نتایج بررسی معنی داری اختلاف پیش بینی مدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه ها بود.

تورم به عنوان یکی از بنیادی ترین چالش های اقتصادی، در طول حیات اقتصادی هر کشور شناخته می شود، به همین دلیل پیش بینی روند تورم برای تنظیم سیاست های اقتصادی اهمیت به سزایی دارد. این نیاز موجب توجه جدی به کاربرد مدل های مختلف برای پیش بینی نرخ تورم شده است؛ و بدین منظور مدل های پیش بینی گوناگونی در رقابت با یکدیگر توسعه یافته اند. از این رو این پژوهش با هدف پیش بینی ماهیانه نرخ تورم در ایران برای سال 1390 با استفاده از داده های سری زمانی ماهیانه شاخص بهای کالا و خدمات مصرفی ایران در سال های 1383 تا 1389 انجام شده و اطلاعات مربوط به شاخص بهای کالا و خدمات مصرفی نیز برای سال های مورد نظر از بانک مرکزی جمهوری اسلامی ایران گرفته شده است. برای این منظور از دو الگوی میانگین متحرک هم انباشته خود توضیح (ARIMA) و شبکه عصبی (ANN) استفاده شده و همچنین در این پژوهش به مقایسه الگوهای اقتصادسنجی و شبکه عصبی و توان پیش بینی هر یک از الگوها با در نظر گرفتن میانگین درصد خطای مطلق آنها پرداخته شده است. نتایج پیش بینی با استفاده از این دو الگو نشان داد، که اگرچه هر دو الگوی میانگین متحرک خود توضیح و شبکه ی عصبی، با توجه به میانگین درصد خطای مطلق پیش بینی درون نمونه ای، به ترتیب 86/0 و 94/0 درصد دارای توان پیش بینی بالایی بوده اند، اما الگوی ARIMA به نسبت الگوی ANN از دارای توان پیش بینی بالاتری بوده است. بنابراین در این پژوهش مقادیر پیش بینی شده شاخص بهای کالا و خدمات مصرفی در ایران بر اساس الگوی سری زمانی ARIMA تعیین شده است و نتایج پیش بینی این الگو نشان می دهد، با توجه به روند رو به رشد در شاخص بهای کالا و خدمات مصرفی در ایران برای سال 1390، در پیش گرفتن سیاست های کنترل حجم پول و نقدینگی از طریق اعمال سیاست های پولی و مالی مناسب توسط سیاستگذران می تواند نقش مهمی در کنترل نرخ تورم داشته باشد.

شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش بینی کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش بینی کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می دهد با روش پیشنهادی، می توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می یابد.

در اکثر مطالعات تجربی انجام شده با استفاده از سیستم معادلات تقاضای تقریباً ایده آل، کشش های قیمتی و درآمدی حاصل از برآورد این معادلات به توصیه های سیاستی حساسی در حوزه اقتصاد خرد و کلان منجر شده است. این درحالی است که برآورد خطی سیستم یاد شده مورد شک و تردید می باشد. دراین مقاله به بررسی عملکرد سیستم معادلات تقاضای تقریباً ایده آل خطی و غیرخطی پرداخته شده است. به این منظور با استفاده از تکنیک رگرسیون های به ظاهر نامرتبط برای تخمین مدل به روش خطی و از شبکه عصبی پیشخور چند لایه برای تخمین مدل غیرخطی بهره گرفته شده است. نتایج حاصل از برآورد مدل ها مبین این واقعیت می باشند که مدل شبکه عصبی پیشخور دارای خطای کم تر و در نتیجه از عملکرد بالاتری در برآورد سیستم معادلات تقاضا برخوردار می باشد. نتایج مبین وجود تردیدهایی برای کاربرد شاخص قیمت استون جهت خطی کردن برآورد سیستم تقاضای تقریباً ایده آل می باشد. بنابراین برای برآورد معادلات سیستمی، استفاده از مدل غیرخطی تقریباً ایده آل با استفاده از شبکه عصبی مصنوعی توصیه می شود.

پیش­بینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژه­ای دارد. روش­های مختلفی برای پیش­بینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیک­های غیرخطی نتایج مطلوب­تری داشته است. شبکه­های عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیک­های غیرخطی در این زمینه می­باشند که هر یک نقاط ضعف و قوت خاصی دارند. در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک، نقایص مذکور مرتفع شده و با الگوریتم ترکیبی معرفی شده به پیش­بینی تقاضای انرژی در ایران پرداخته شده است. نتایج مطالعه در پیش­بینی تقاضای انرژی طی سال­های 1346 تا 1390 نشان دهنده قدرت پیش­بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح­دهندگی متغیرهای توضیحی بکار رفته است.

به منظور برآورد تابع تولید و همچنین بررسی تغییرات بهره وری و رشد در اقتصاد هر کشوری، به سری زمانی متغیر حجم سرمایه نیازاست. تنوع در روش های پیشنهادی و نیز دشواری محاسبه سری زمانی این متغیر، باعث شده است که داده های موجود برای آن چندان قابل اعتماد نباشد. در میان روش های موجود، روش موجودی پیوسته بیشتر مورد توجه قرار گرفته که این روش نیز در عین برخورداری از ویژگی های مثبت، خالی از اشکالنیست. دراین تحقیق به منظور بهبود روش موجودی پیوسته در برآورد حجم سرمایه، از روش «الگوریتم نویسی» استفاده شده است. از قابلیت های الگوی بسط داده شده در این مطالعه می توان به متغیر؛ «در نظر گرفتن نرخ استهلاک سرمایه در دوره های مختلف»، «در نظر گرفتن متغیر کیفی جنگ و تاثیر آن بر نرخ استهلاک»، «بررسی انواع تابع تولید غیرخطی و خطی به منظور افزایش دقت برآورد و در نظر گرفتن انرژی به عنوان نهاده تولید علاوه بر نیروی کار و حجم سرمایه بر خلاف مطالعات گذشته»، اشاره کرد. نتایج نشان می دهد که سری زمانی محاسبه شده در این مطالعه دارای روندی مشابه، اما با مقداری تفاوت، در مقایسه با سری زمانی گزارش شده توسط بانک مرکزی ایران،است. همچنین نرخ استهلاک برآوردی میانگین برای دوره 1338 تا 1389 برابر با 1/5% است. برآوردها نشان می دهد که در دوران جنگ همواره نرخ استهلاک بالاتر از نرخ میانگین استهلاک بوده است. این نتیجه قدرت الگوریتم بسط داده شدهدر محاسبه نرخ استهلاک و همچنین حجم سرمایه را نشان می دهد.

توسعه مدل های پیش بینی انرژی یکی از مراحل مهم در برنامه ریزی های کلان برای تامین پایدار انرژی در راستای توسعه اقتصادی و رفاه اجتماعی است و همواره مورد توجه سیاستگذران و تحلیلگران انرژی بوده است. بخش خانگی- تجاری بزرگترین مصرف کننده انرژی در ایران است و پیش بینی تقاضای این بخش از اهمیت بالایی برخوردار است. در تحقیق حاضر با استفاده از از توابع خطی و نمایی و با ضرایب بدست آمده از الگوریتم ژنتیک به پیش بینی تقاضای انرژی بخش خانگی – تجاری ایران پرداخته شده است. 54 سناریوی مختلف با ورودی های متفاوت مورد بررسی قرار گرفته و از داده های مربوط به سال های 1346 تا 1389 برای توسعه مدل ها و انتخاب سناریوی مناسب استفاده شده است. نتایج نشان داد مدل نمایی با ورودی های ارزش افزوده کل منهای بخش نفت، ارزش ساختمان های ساخته شده، تعدا کل خانوار و شاخص قیمت مصرف انرژی مناسب ترین مدل است. با استفاده از سناریوی انتخابی تقاضای انرژی بخش خانگی-تجاری تا سال 1410 پیش بینی شده است. نتایج نشان می دهد تقاضای انرژی این بخش در سال 1410 به حدود 1180 میلیون بشکه معادل نفت خام می رسد.

سهامداران جهت گرفتن تصمیم های سرمایه گذاری مناسب، نیازمند اطلاعاتی هستند که آنها را در گرفتن بهترین تصمیم یاری رساند. در میان اطلاعات موجود، اطلاعات مربوط به سود پیش بینی شده هر سهم از نظر استفاده کنندگان با اهمیت تلقی می شود. از طرفی شرکت ها برای جذب سرمایه گذاران سعی می کنند سود هر سهم را با بیشترین دقت پیش بینی کنند. بنابراین، مقاله حاضر به دنبال ارائه مدلی جهت بهبود پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رویکرد های نوین هوش مصنوعی است. برای این منظور ابتدا عوامل مؤثر بر سود هر سهم سال آتی از پژوهش های داخلی و خارجی استخراج شد، سپس با استفاده از اطلاعات مالی شرکت های نمونه در بازه زمانی سال های 1384 تا 1391 و به کارگیری روش ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، مدلی هایی جهت پیش بینی سود هر سهم طراحی گردید. مدل ماشین بردار پشتیبان توانست سود هر سهم سال آتی شرکت های نمونه را با میزان خطای مطلوب 5 درصد پیش بینی کند. این مدل سود هر سهم سال جاری را با ضریب تأثیر 25 درصد به عنوان مؤثرترین متغیر برای پیش بینی سود هر سهم آتی معرفی می کند. همچنین نتایج نشان می دهد که مدل ماشین بردار پشتیبان در مقایسه با مدل شبکه های عصبی مصنوعی عملکرد مشابهی دارد.