درخت حوزه‌های تخصصی

افزایش حجم تراکنش های مالی دیجیتال و گسترش استفاده از پیام رسان های مالی، زمینه را برای ظهور الگوهای پیچیده و متغیر تقلب فراهم کرده است. روش های سنتی شناسایی تقلب به دلیل وابستگی به داده های متمرکز، محدودیت در حفظ حریم خصوصی و ناتوانی در انطباق با الگوهای پویای تقلب، با چالش های متعددی مواجه هستند. هدف این پژوهش، ارائه معماری فدراتیو یادگیری توزیع گرد مبتنی بر هوش مصنوعی استوکاستیک برای شناسایی الگوهای متغیر تقلب در پیام رسان های مالی است. در معماری پیشنهادی، داده های مالی در محل تولید و نگهداری شده و تنها پارامترهای یادگیری میان گره های مشارکت کننده مبادله می شوند. همچنین، بهره گیری از الگوریتم های استوکاستیک امکان سازگاری پویا با تغییرات رفتاری و ظهور الگوهای جدید تقلب را فراهم می آورد. پژوهش حاضر از نظر هدف، کاربردی و از نظر روش، توسعه ای و مبتنی بر مدل سازی است. نتایج مورد انتظار نشان می دهد که ترکیب یادگیری فدراتیو و هوش مصنوعی استوکاستیک می تواند ضمن حفظ محرمانگی داده ها، دقت و سرعت شناسایی تقلب را افزایش داده و ریسک های عملیاتی و نظارتی مؤسسات مالی را کاهش دهد. یافته های این تحقیق می تواند به عنوان چارچوبی نوین برای توسعه سامانه های هوشمند کشف تقلب در زیرساخت های مالی و بانکی مورد استفاده قرار گیرد.

در سال های اخیر، توسعه فناوری های مالی و هوش مصنوعی موجب تحول بنیادین در صنعت خدمات مالی و سرمایه گذاری شده است. یکی از مهم ترین نوآوری های این حوزه، ربات های مشاور مالی هستند که با استفاده از الگوریتم های هوشمند و تحلیل داده های مالی و رفتاری، خدمات سرمایه گذاری شخصی سازی شده ارائه می دهند. هدف این پژوهش، طراحی یک ربات مشاور مالی شخصی سازی شده برای سرمایه گذاران خرد ایرانی است که بتواند با در نظر گرفتن ویژگی های رفتاری، سطح ریسک پذیری و اهداف مالی افراد، پیشنهادهای بهینه سرمایه گذاری ارائه دهد. این پژوهش از نوع کاربردی توسعه ای بوده و با رویکرد طراحی سیستم هوشمند انجام شده است. در این چارچوب، از ترکیب مفاهیم مالی رفتاری، هوش مصنوعی و بهینه سازی پرتفوی استفاده شده است. با توجه به ویژگی های رفتاری سرمایه گذاران خرد، از جمله سوگیری های شناختی، تصمیم گیری احساسی و محدودیت دسترسی به اطلاعات تخصصی، استفاده از سیستم های مشاوره مالی هوشمند می تواند نقش مهمی در بهبود کیفیت تصمیم گیری ایفا کند. همچنین این فناوری امکان کاهش وابستگی به مشاوران انسانی و افزایش دسترسی برابر به خدمات مدیریت سرمایه را فراهم می سازد. در بازارهای نوظهور مانند ایران، که نوسانات و عدم تقارن اطلاعاتی بالاست، بهره گیری از ابزارهای مبتنی بر هوش مصنوعی اهمیت بیشتری پیدا می کند. علاوه بر این، توسعه چنین سیستم هایی می تواند به ارتقای شفافیت، افزایش کارایی بازار و بهبود تخصیص منابع مالی در سطح خرد کمک کند.نتایج نشان می دهد که بهره گیری از ربات های مشاور مالی می تواند موجب کاهش سوگیری های رفتاری سرمایه گذاران، بهبود تخصیص دارایی ها و افزایش بازده تعدیل شده بر ریسک شود. همچنین شخصی سازی خدمات مالی نقش مهمی در افزایش رضایت و اعتماد سرمایه گذاران خرد دارد. در نهایت، طراحی یک سیستم بومی سازی شده متناسب با شرایط بازار سرمایه ایران می تواند به ارتقای کارایی تصمیم گیری مالی در سطح فردی کمک کند و زمینه توسعه خدمات نوین مالی در کشور را فراهم سازد.

بیان مسئله: تصمیم گیری و اقدام های عملی شفاف در سازمان، مشارکت مؤثر ذی نفعان را درپی خواهد داشت. درحالی که عدم شفافیت، منجر به نارضایتی و کاهش مشارکت آن ها می گردد. هدف: مصون نگهداشتن سازمان از پنهان کاری ایجاب می کند که ابتدا مؤلفه های مبانی شفافیت مشارکتی از منظر قرآن به عنوان راهنمای عمل استخراج سپس به آن عمل شود. بدین منظور در تحقیق حاضر مؤلفه های مبانی شفافیت از منظر قرآن مشخص و دلالت های سازمانی آن بررسی شده است. روش: در پژوهش حاضر داده ها با روش کتابخانه ای جمع آوری، از روش استنطاقی برای مراجعه به قرآن کریم بهره گرفته شده و از روش دلالت پژوهی برای دلالت های سازمانی شفافیت استفاده شده است. چگونگی پژوهش: در این نوشتار نکات کلیدی استخراج و ذیل دلالت های موضوعی دسته بندی گردیده است، برای به دست آوردن یافته های مشخص، دلالت های موضوعی در شش عنوان طبقه بندی شده است. یافته ها: یافته های تحقیق نشان می دهد که باور به عالم بودن خداوند، پاسخ گویی انسان در پیشگاه خداوند، امانت بودن مناصب، امین دانستن زمامداران، حق آگاهی مردم از امور و حق مشارکت در تعیین سرنوشت از مؤلفه های مبانی شفافیت مشارکتی از منظر قرآن می باشد.

تحلیل پوششی داده ها (DEA) به عنوان یک روش غیرپارامتری و داده محور، ابزاری کارآمد برای ارزیابی کارایی نسبی مجموعه ای از واحدهای تصمیم گیرنده (DMUها) با چندین ورودی و خروجی است. با این حال، مدل های کلاسیک DEA ساختار درونی DMUها را نادیده می گیرند و آن ها را به عنوان جعبه های سیاه در نظر می گیرند. برای رفع این محدودیت، DEAی شبکه ای توسعه یافته است که تعاملات درونی بین اجزای DMU را به طور صریح مدل سازی می کند. علاوه بر این، در بسیاری از کاربردهای واقعی، برخی متغیرهای ورودی، خروجی یا محصولات بینابینی دارای ماهیت گسسته و مقادیر صحیح هستند و حتی ممکن است داده های منفی نیز وجود داشته باشد. این ویژگی ها در مدل های مرسوم DEA نادیده گرفته می شوند و می توانند منجر به برآوردهای نادرست و غیرعملی گردند. در این مقاله، یک مدل DEAی شبکه ای مبتنی بر تابع فاصله ی جهت دار برای سیستم های سری دو بخشی ارائه می شود که قابلیت پردازش همزمان داده های منفی و مقدار صحیح را داراست. مدل پیشنهادی با تعریف مناسب بردار جهت، امکان اندازه گیری کارایی سیستم تحت هر دو فرض بازده به مقیاس ثابت و متغیر را فراهم می کند. برای نمایش قابلیت های مدل پیشنهادی، یک مطالعه ی موردی بر روی ۲۹ زنجیره ی تأمین ایرانی در صنعت تجهیزات مصرفی پزشکی انجام شده است. نتایج نشان می دهد که مدل پیشنهادی نه تنها قادر است DMUهای کارا و ناکارا را به درستی تفکیک کند، بلکه با ارائه ی نقاط تصویر، مسیر دقیق اصلاح عملکرد هر بخش را نیز مشخص می سازد. یافته ها نشان می دهد که رویکرد پیشنهادی می تواند به عنوان ابزاری معتبر برای ارزیابی و بهبود کارایی زنجیره های تأمین، به ویژه در صنایع حساس نظیر تجهیزات

هدف این پژوهش، شناسایی و بررسی عناصر و مقوله های توسعه ظرفیت نوآوری با رویکرد اقیانوس آبی در صنعت داروسازی عراق است. این مطالعه در سطح کاربردی بوده و با رویکرد کیفی و روش تحلیل مضمون انجام گردید. داده ها از مصاحبه های نیمه ساختاریافته با 19 مدیر و متخصص بازاریابی و صنعت داروسازی جمع آوری و در سه مرحله کدگذاری (باز، محوری، انتخابی) تحلیل شدند. در مرحله کدگذاری باز، 77 کد اولیه شناسایی گردید که به 12 مقوله محوری شامل چالش های اقیانوس قرمز، نیاز به خروج از رقابت سنتی، مزایای استراتژی اقیانوس آبی، حذف عوامل غیرضروری، کاهش عوامل کم ارزش، ارتقای عوامل موجود، ایجاد عوامل جدید، افزایش ظرفیت نوآوری، ادغام فناوری های نوین، پایداری و تأثیرات بلندمدت، و آینده نگری دسته بندی شدند. این مقوله ها در نهایت به چهار مضمون کلان چالش ها، ابزارها، کاربردها و پیامدها سازمان دهی شدند. یافته ها نشان می دهند که چالش های رقابتی اقیانوس قرمز، مانند رقابت سنتی شدید و محدودیت های نوآوری، با استفاده از چارچوب چهارگانه مکانیزم حذف، کاهش، افزایش و خلق قابل کنترل ومدیریت هستند. استراتژی اقیانوس آبی با ایجاد بازارهای جدید و ادغام فناوری های نوین، ظرفیت نوآوری و پایداری اقتصادی را تقویت، نوآوری تحول آفرین را تسهیل و مزیت رقابتی بلندمدت ایجاد می کند.

دو رویکرد برای ارزیابی کارآیی بازار اختیارات وجود دارد. رویکرد مبتنی بر مدل و رویکرد مبتی بر آربیتراژ. مطالعات تجربی متعددی کارآیی مبتنی بر مدل (مقایسه قیمت های حاصل از مدل اختیار با قیمت بازار) را برای بازار اختیارات آزمون کرده اند و به نتایج متناقضی دست یافته اند. در عین حال تناقضات زیادی در نتایج این مطالعات مشاهده شده است.؛ به نحوی که برخی مطالعات حاکی از کارایی و برخی دیگر، حاکی از ناکارایی این بازار است. هدف این مطالعه، فراتحلیل کارایی بازار اختیارات با رویکرد مبتنی بر مدل در راستای تحلیل تناقضات مطالعات تجربی گذشته و عواملی است که باعث ایجاد این تناقض شده است. لذا، 30 مطالعه انتشار یافته در بین سال های 2003 تا 2022 در مجلات نمایه شده در پایگاه اسکوپوس برگزیده و 6409 نمونه برای آزمون فرضیه ها از آن استخراج شد. جامعه آماری این فراتحلیل شامل کلیه آزمون های گزارش شده در مطالعات گذشته (منتشر شده در نشریات نمایه شده در اسکوپوس) در حیطه ارزیابی کارآیی بازار اختیارات با رویکرد مبتنی بر مدل است. نتایج حاکی از ناکارایی بازار اختیارات است. بدین معنا که قیمت قراردادهای اختیار از ارزش ذاتی آن فاصله معناداری دارد؛ ضمن اینکه کلیه آزمون های استواری نظیر معیار کارآیی، مدل قیمت گذاری اختیار، اعتبار نشریه، زمان تحلیل و عمق ارزشمندی نیز این نتیجه را تایید می کند.

در دهه های اخیر، دانشگاه ها به عنوان بازیگرانی راهبردی در توسعه سرمایه انسانی، در کانون سیاست های ارتقای اشتغال پذیری، توانمندسازی حرفه ای و پاسخ گویی به تحولات پرشتاب بازار کار قرار گرفته اند. در شرایطی که محیط های کاری با سرعتی فزاینده دستخوش دگرگونی های فناورانه، اجتماعی و اقتصادی می شوند، انتظار می رود آموزش عالی نقشی فراتر از انتقال دانش نظری ایفا کند و زمینه ساز پرورش شایستگی های ترکیبی و حرفه ای دانش آموختگان باشد. با وجود شواهدی مبنی بر ظرفیت آموزش عالی در ارتقای صلاحیت های حرفه ای، نقش دانشگاه ها در این زمینه به ویژه در بستر آموزش عالی ایران و موانع پیش روی آن کمتر به صورت نظام مند بررسی شده است. این پژوهش با هدف تبیین نقش دانشگاه ها در ارتقای صلاحیت های حرفه ای دانش آموختگان و شناسایی چالش ها و راهکارهای آموزش صلاحیت محور با رویکرد کیفی و روش تحلیل مضمون استقرایی انجام شده است. داده ها از راه مصاحبه های نیمه ساختاریافته با ۴۰ نفر از اعضای هیأت علمی، مدیران آموزشی، سیاست گذاران و دانش آموختگان دانشگاه های مهارتی (انتخاب شده با نمونه گیری هدفمند) گردآوری شدند و با استفاده از روش شش مرحله ای براون و کلارک تحلیل شدند. نتایج نشان دهنده شناسایی پنج مضمون اصلی شامل بازنگری برنامه های درسی مبتنی بر شایستگی، تقویت تعامل دانشگاه و صنعت، آموزش مهارت های نرم و میان رشته ای، ارتقای کیفیت تدریس و نظام ارزشیابی و اصلاح خط مشی گذاری کلان است. یافته های این پژوهش می تواند دلالت های نظری و سیاستی مهمی برای خط مشی گذاران آموزشی، مدیران دانشگاهی و پژوهشگران حوزه منابع انسانی فراهم آورد.

پژوهش ها در حوزه فساد اداری بیشتر به بخش منفعل فساد توجه داشته اند در حالی که تعامل های فسادآلود، تعاملاتی دوسویه بین بخش های دولتی و خصوصی است. هدف پژوهش حاضر، مطالعه انگیزاننده های فردی فساد در میان کارکنان و مقام های بخش های دولتی و خصوصی بود. پژوهش از نوع کاربردی و با رویکرد کمی اجرا شد. راهبرد پژوهش همبستگی بود. داده ها از راه پرسش نامه گارسیرا و همکاران (2018) جمع آوری شد. روایی و پایایی پرسش نامه از راه روایی محتوا و ضریب آلفای کرونباخ بررسی شد. جامعه مورد مطالعه کارکنان بخش دولتی یا خصوصی بودند که به طور مکرر با افرادی از بخش دیگر تعامل داشتند و اختیار انجام تعامل ها را داشتند. شرکت در این پژوهش داوطلبانه و به صورت ناشناس بود. در مجموع، 367 پرسش نامه (187 از بخش دولتی و 179 از بخش خصوصی) به روش های همبستگی پیرسون و رگرسیون لجستیک تحلیل شد. یافته ها نشان داد سابقه کار و بخش محل فعالیت (دولتی/ خصوصی) تعیین کننده تمایل به فساد است. تمایل به فساد در بخش خصوصی بیشتر است. اگرچه در مدل رگرسیونی فقط هنجارهای فردی و اجتماعی تمایل به فساد را در حالت کلی توضیح می دادند، اما تمامی انگیزاننده ها در بخش دولتی با تمایل به فساد رابطه داشتند و در بخش خصوصی هنجارهای فردی و اجتماعی و ارزیابی از هزینه مشارکت در فساد با تمایل فساد رابطه داشت. در نهایت می توان گفت با توجه به تفاوت انگیزاننده های فساد در بخش دولتی و خصوصی، نیاز به رویکردهای خاص و متمایز برای مقابله با فساد در هر دو بخش ضروری است.

پژوهش حاضر برای دریافت درکی عمیق از احساسات شرم، خجالت و آزرم در بافت فرهنگی پارس جنوبی، تجربه شخصی یکی از نویسندگان را مبتنی بر خودمردم نگاری تحلیلی واکاوی کرده است. نتیجه تحلیل خوداندیشانه روایت های سیزده گانه مقاطع کاری پژوهشگر نشان داد که شرم تجربه شده در بسترهای موجد مقایسه خود واقعی و دیگری برتر، ناهنجاری اخلاقی عُجب در برابر شایستگی های فنی و انتظار های مضاعف غیرواقعی نامنطبق با شایستگی های فنی از عضو سازمان، احساس شده است. ضمن اینکه شرم می تواند در زنجیره فرمان از پایین ترین تا بالاترین رده سازمانی انتقال پیدا کند. همچنین، به واسطه نهادینگی بایستگی آزرم در برابر مدیران و در نتیجه ترجیح سکوت بر نقد سازمانی، خجالت زدگی مدیران متعاقب نقد ایشان یا طرح نارسایی های سازمانی، کارکرد اصلاحی مطلوبی ندارد. وانگهی، معلوم شد گونه های آزرم منتهی به سکوت سازمانی و آزرم سیاسی از پایین به بالا و آزرم منتهی به مداهنه در انجام وظایف شغلی از بالا به پایین سلسله مراتب سازمانی، پدیده هایی کژکارکردی اند.

این پژوهش با بهره گیری از نظریه بازی ها و مدل سازی گراف، به تحلیل وضعیت سرمایه گذاری و تأمین مالی صنعت پتروشیمی ایران پرداخته است. هدف اصلی، شناسایی وضعیت های تعادلی میان بازیگران کلیدی شامل حاکمیت، هلدینگ های پتروشیمی، بانک ها، بازار سرمایه، سرمایه گذاران بین المللی و صندوق توسعه ملی و ارائه راهکارهایی برای ارتقای کارایی تصمیم گیری و کاهش ریسک های ساختاری است. در این راستا، گزینه های راهبردی بازیگران شناسایی و از طریق مدل سازی گراف تحلیل شده است. نتایج نشان می دهد که در وضعیت های تعادلی شماره ۱۵، ۲۶، ۳۳ و ۳۴، هیچ یک از بازیگران به تنهایی قادر به بهبود معنادار وضعیت خود نیستند. بااین حال، تشکیل ائتلاف های راهبردی میان بازیگران، به ویژه میان دولت، نهادهای مالی و صندوق توسعه ملی، می تواند تعادل های بهینه تری ایجاد کند. همچنین تحلیل بازی معکوس نشان می دهد که اصلاح قوانین و طراحی مشوق های سیاستی می تواند بازیگران را به سمت رفتارهایی هم راستا با اهداف توسعه ای سوق دهد و زمینه توسعه پایدار این صنعت را فراهم سازد.

پیش بینی نهادهای بین المللی در خصوص تقاضای نفت و گاز چین حاکی از افزایش قابل توجه طی سال های آینده و نیازمندی بیشتر این قدرت اقتصادی نوظهور طی دهه های آینده است. این کشور طی سال های اخیر راهبرد متنوع سازی حداکثری منابع وارداتی انرژی را در پیش گرفته و در تلاش است تا از طریق متنوع سازی حداکثری امنیت انرژی خود را ارتقا بخشد. از طرفی جمهوری اسلامی ایران با دارا بودن منابع انرژی هیدروکربوری غنی و همچنین موقعیت جغرافیایی بی نظیر به دنبال افزایش صادرات و همچنین متنوع سازی بیشتر روش های صادرات نفت و گاز خود است. پژوهش حاضر به ارزیابی اقتصادی خطوط لوله پیشنهادی نفت و گاز از مسیر افغانستان به چین پرداخته است. محاسبه ارزش حال خالص و همچنین نرخ بازدهی داخلی نشان می دهد که خطوط لوله پیشنهادی از نظر اقتصادی توجیه پذیر بوده و حاشیه سود قابل توجهی را به دنبال خواهد داشت.

این پژوهش با هدف تحلیل نقش اقتصاد رفتاری دیجیتال در طراحی محصولات مالی هوشمند انجام شده است. در دهه اخیر، گسترش فناوری های مالی، هوش مصنوعی و کلان داده ها موجب تحول اساسی در ساختار خدمات مالی و نحوه تصمیم گیری کاربران شده است. در این میان، رفتار مالی افراد بیش از گذشته تحت تأثیر سوگیری های شناختی، محدودیت های عقلانیت و عوامل هیجانی قرار گرفته است که می تواند منجر به تصمیمات غیرکارا در بازارهای مالی شود.اقتصاد رفتاری دیجیتال به عنوان یک رویکرد نوین میان رشته ای، با ترکیب اصول اقتصاد رفتاری و ابزارهای تحلیل داده های پیشرفته، امکان تحلیل دقیق تر رفتار کاربران و طراحی مداخلات هدفمند برای بهبود تصمیم گیری مالی را فراهم می سازد. این پژوهش با رویکرد مروری–تحلیلی، نقش مؤلفه هایی همچون معماری انتخاب، تلنگرهای رفتاری ، شخصی سازی خدمات مالی، الگوریتم های یادگیری ماشین، تحلیل رفتار لحظه ای کاربران و طراحی رابط های کاربری هوشمند را در توسعه محصولات مالی هوشمند بررسی می کند.یافته های پژوهش نشان می دهد که به کارگیری اقتصاد رفتاری دیجیتال می تواند به بهبود کیفیت تصمیمات سرمایه گذاری، افزایش رفاه مالی افراد، کاهش خطاهای شناختی، ارتقای سواد مالی دیجیتال و افزایش شفافیت در تعاملات مالی منجر شود. همچنین، این رویکرد در بهینه سازی تجربه کاربری و افزایش اثربخشی پلتفرم های مالی نقش مهمی ایفا می کند. با این حال، چالش هایی نظیر نقض حریم خصوصی داده ها، سوگیری الگوریتمی، وابستگی بیش از حد کاربران به سیستم های هوشمند، و مسائل اخلاقی مرتبط با دستکاری رفتاری نیز از جمله محدودیت های مهم این حوزه محسوب می شوند. در نهایت، این پژوهش بر ضرورت تلفیق دقیق ملاحظات رفتاری، فناورانه و اخلاقی در طراحی نسل جدید محصولات مالی هوشمند تأکید می کند.

گذار به اقتصاد کم کربن موجب ظهور طبقه ای جدید از دارایی های مالی با عنوان «دارایی های کربن زدایی شده» شده است. مدیریت پرتفوی این دارایی ها به دلیل عدم قطعیت ژئوپولیتیکی، نوسانات سیاست های اقلیمی و ماهیت پویای بازارهای انرژی و کربن با چالش های جدی مواجه است. این پیچیدگی ها نیازمند رویکردهای تطبیقی و داده محور هستند که توانایی مدیریت محیط های غیرایستا را داشته باشند. این مقاله چارچوبی برای بهینه سازی چندهدفه پویا ارائه می دهد که در آن ترکیبی از الگوریتم های فراابتکاری(NSGA-II، PSOو تفاضل تکاملی) و شبکه های عصبی بازگشتی عمیق (LSTM/GRU) برای پیش بینی و تصمیم گیری به کار گرفته شده است. این مدل به گونه ای طراحی شده است که هم وابستگی های زمانی و هم رفتار تصادفی بازار را در نظر بگیرد. مدل پیشنهادی به طور هم زمان بازده پرتفوی، شدت کربنی و ریسک ژئوپولیتیکی را بهینه می کند. نتایج نشان می دهد که رویکرد ترکیبی پیشنهادی در مقایسه با چارچوب کلاسیک مارکویتز، به ویژه در شرایط بسیار نوسانی و عدم قطعیت بالا، پرتفوی های پایدارتر و کارآمدتری ارائه می دهد. یافته ها بر اهمیت ترکیب هوش مصنوعی با بهینه سازی تکاملی در تصمیم گیری مالی پایدار تأکید دارند.

در سال های اخیر، سیستم های بانکی با افزایش قابل توجه حجم و پیچیدگی داده های مالی مشتریان مواجه شده اند. این موضوع باعث شده است روش های سنتی اعتبارسنجی که بر شاخص های محدود و فرضیات خطی تکیه دارند، کارایی کمتری داشته باشند. در نتیجه، روش های یادگیری ماشین به دلیل توانایی در مدل سازی روابط غیرخطی و پیچیده، به ابزارهای مهمی در ارزیابی ریسک اعتباری تبدیل شده اند. با این حال، مشکل اصلی این مدل ها عدم شفافیت و تفسیرپذیری آن هاست که استفاده عملی از آن ها را در محیط های بانکی و تحت مقررات محدود می کند.در این پژوهش، یک چارچوب اعتبارسنجی توضیح پذیر با ترکیب الگوریتم های یادگیری ماشین و روش SHAP ارائه شده است. در این مدل، از ویژگی های رفتاری مشتریان مانند الگوی تراکنش ها، سطح بدهی، سابقه بازپرداخت و شاخص های مرتبط استفاده شده و مدل هایی مانند Random Forest، Gradient Boosting و SVM برای پیش بینی ریسک اعتباری به کار گرفته شده اند. سپس SHAP برای تفسیر نتایج و تعیین میزان تأثیر هر ویژگی بر خروجی مدل استفاده شده است. نتایج نشان می دهد که ویژگی هایی مانند سابقه بازپرداخت، نسبت بدهی به درآمد و رفتار تراکنشی از مهم ترین عوامل در تعیین امتیاز اعتباری هستند. همچنین ترکیب یادگیری ماشین با SHAP علاوه بر حفظ دقت بالا، موجب افزایش شفافیت و تفسیرپذیری مدل می شود. در مجموع، این رویکرد می تواند اعتماد، عدالت و پاسخ گویی در سیستم های اعتبارسنجی را بهبود دهد و پایه ای برای تحقیقات آینده در حوزه تحلیل مالی توضیح پذیر فراهم کند.

رشد سریع بازار رمزارزها و افزایش نقش دارایی های دیجیتال در نظام مالی جهانی، چالش های جدیدی را در زمینه ارزش گذاری و قیمت گذاری این دارایی ها ایجاد کرده است. برخلاف دارایی های مالی سنتی، رمزارزها فاقد جریان های نقدی مشخص و معیارهای متعارف ارزش گذاری هستند و قیمت آن ها تحت تأثیر عوامل متعددی از جمله شرایط بازار، رفتار سرمایه گذاران، حجم معاملات و متغیرهای اطلاعاتی قرار می گیرد. ازاین رو، طراحی مدل های نوین و هوشمند برای قیمت گذاری این دارایی ها به یکی از مسائل مهم پژوهشی تبدیل شده است. پژوهش حاضر با هدف طراحی مدل قیمت گذاری دارایی های دیجیتال با استفاده از یادگیری تقویتی عمیق در بازار رمزارزها انجام شده است. سؤال اصلی پژوهش این است که آیا یادگیری تقویتی عمیق می تواند مدلی کارآمد و دقیق برای قیمت گذاری دارایی های دیجیتال ارائه دهد؟ همچنین این پژوهش به بررسی این فرضیه ها می پردازد که استفاده از یادگیری تقویتی عمیق موجب بهبود دقت قیمت گذاری دارایی های دیجیتال می شود، قابلیت سازگاری مدل با شرایط متغیر بازار را افزایش می دهد و عملکردی بهتر از روش های سنتی قیمت گذاری ارائه می کند. این تحقیق از نظر هدف کاربردی و از نظر روش، کمی و مبتنی بر مدل سازی است. داده های تاریخی مربوط به قیمت، حجم معاملات و شاخص های بازار رمزارزها جمع آوری شده و با استفاده از الگوریتم های یادگیری تقویتی عمیق مورد تحلیل قرار گرفته اند. برای ارزیابی عملکرد مدل نیز شاخص های خطای پیش بینی و معیارهای سنجش کارایی مورد استفاده قرار گرفته است. نتایج پژوهش نشان می دهد که مدل پیشنهادی قادر است الگوهای پیچیده و غیرخطی بازار رمزارزها را شناسایی کرده و با یادگیری مستمر از محیط بازار، دقت بیشتری در قیمت گذاری دارایی های دیجیتال نسبت به روش های سنتی ارائه دهد. همچنین یافته ها بیانگر آن است که یادگیری تقویتی عمیق می تواند به عنوان ابزاری مؤثر در تصمیم گیری های مالی و مدیریت سرمایه گذاری در بازار رمزارزها مورد استفاده قرار گیرد.

افزایش پیچیدگی و عدم قطعیت در نظام های مالی مدرن، نیاز به ابزارهای تحلیلی پیشرفته برای شبیه سازی شرایط بحرانی و ارزیابی تاب آوری سازمانی را بیش از پیش افزایش داده است. روش های سنتی سناریونویسی معمولاً بر مفروضات ایستا، قضاوت خبرگان و ناتوانی در مدل سازی روابط غیرخطی در محیط های اقتصادی پیچیده استوار هستند. در این میان، هوش مصنوعی مولد به عنوان رویکردی نوین و تحول آفرین، امکان تولید سناریوهای پویا، داده محور و چندبعدی از بحران های مالی را فراهم کرده است. پژوهش حاضر با هدف بررسی کاربرد هوش مصنوعی مولد در طراحی سناریوهای بحران مالی و تحلیل تاب آوری سازمانی انجام شده است. روش پژوهش مبتنی بر تحلیل مفهومی و شبیه سازی سناریوهای احتمالی با استفاده از مدل های مولد مانند مدل های زبانی بزرگ و معماری های مبتنی بر تولید داده است. نتایج نشان می دهد که هوش مصنوعی مولد می تواند تنوع سناریوهای بحران را افزایش داده، سوگیری های شناختی در فرآیند تصمیم گیری را کاهش دهد و دقت ارزیابی تاب آوری سازمانی را بهبود بخشد. همچنین سازمان هایی که از این فناوری در مدیریت ریسک و برنامه ریزی استراتژیک استفاده می کنند، در مواجهه با شرایط بحرانی از سرعت بازیابی بالاتر و انعطاف پذیری ساختاری بیشتری برخوردار هستند. یافته ها بیانگر آن است که ادغام هوش مصنوعی مولد با چارچوب های مدیریت ریسک می تواند به ارتقای نظام های پیش بینی بحران و افزایش پایداری سازمانی منجر شود.

گسترش سریع فناوری های مالی، پیچیده تر شدن محیط های مقرراتی و افزایش حجم الزامات انطباق، چالش های مهمی را برای سازمان های مالی و بانکی ایجاد کرده است. روش های سنتی انطباق مقررات که عمدتاً مبتنی بر بررسی انسانی، سیستم های قاعده محور و فرآیندهای دستی هستند، دیگر توان پاسخگویی به حجم گسترده و پویای قوانین مالی را ندارند. در این میان، رگ تک به عنوان راهکاری نوین مبتنی بر فناوری های دیجیتال برای بهبود و خودکارسازی فرآیندهای نظارتی مطرح شده است. پژوهش حاضر با هدف توسعه یک چارچوب رگ تک هوشمند مبتنی بر پردازش زبان طبیعی برای انطباق خودکار مقررات مالی انجام شده است. این چارچوب با بهره گیری از تحلیل معنایی متون حقوقی، طبقه بندی اسناد مقرراتی و تطبیق سیاست های داخلی سازمان با الزامات قانونی، امکان شناسایی شکاف های انطباقی را فراهم می سازد. در این مدل از روش های پیشرفته یادگیری زبان و معماری های مبتنی بر ترنسفورمر برای پردازش متون پیچیده مقرراتی استفاده شده است. یافته های پژوهش نشان می دهد که چارچوب پیشنهادی مبتنی بر پردازش زبان طبیعی قادر است دقت و سرعت تحلیل مقررات را به طور قابل توجهی افزایش دهد. همچنین استفاده از این رویکرد موجب کاهش خطای انسانی، کاهش هزینه های انطباق و افزایش شفافیت در فرآیندهای نظارتی می شود. نتایج نشان می دهد که رگ تک هوشمند می تواند نقش مؤثری در بهبود حکمرانی مالی و کاهش ریسک های مقرراتی ایفا کند.

تحول دیجیتال در صنعت خدمات مالی موجب شده است که رفتار مشتریان در بسترهای آنلاین به یکی از منابع اصلی تولید داده برای تحلیل تصمیم گیری مالی تبدیل شود. در این میان، سیستم های توصیه گر مالی به عنوان ابزارهایی مبتنی بر هوش مصنوعی نقش مهمی در شخصی سازی خدمات مالی، بهبود تجربه کاربری و افزایش کارایی تصمیم گیری سرمایه گذاری ایفا می کنند. با این حال، بسیاری از سیستم های موجود هنوز بر داده های ایستا یا ویژگی های محدود مالی تکیه دارند و کمتر توانسته اند ابعاد رفتاری، شناختی و دیجیتال مشتریان را در فرآیند توصیه گری ادغام کنند. پژوهش حاضر با هدف طراحی یک چارچوب توصیه گر مالی شخصی سازی شده مبتنی بر رفتارشناسی دیجیتال مشتریان انجام شده است. این مطالعه با رویکرد مفهومی تحلیلی و با بهره گیری از ادبیات هوش مصنوعی، یادگیری ماشین و اقتصاد رفتاری، مدلی چندلایه برای تحلیل رفتار مالی کاربران در محیط های دیجیتال ارائه می دهد. در این چارچوب، داده های رفتاری شامل الگوهای کلیک، زمان تعامل، تاریخچه تراکنش ها، تعامل با محصولات مالی و شاخص های روان شناختی دیجیتال استخراج و به عنوان ورودی مدل توصیه گر استفاده می شوند. نتایج تحلیل نظری نشان می دهد که ترکیب رفتارشناسی دیجیتال با الگوریتم های توصیه گر می تواند دقت پیش بینی نیازهای مالی کاربران را افزایش داده و سطح شخصی سازی خدمات مالی را به طور معناداری بهبود دهد. همچنین این رویکرد می تواند به کاهش خطاهای تصمیم گیری سرمایه گذاران خرد و افزایش کارایی بازارهای مالی کمک کند. در نهایت، پژوهش حاضر چارچوبی نوین برای توسعه نسل جدید سیستم های توصیه گر مالی ارائه می دهد که در آن داده های رفتاری و الگوریتم های هوشمند به صورت یکپارچه در خدمت تصمیم سازی مالی قرار می گیرند.

در سال های اخیر، گسترش بازار ارزهای دیجیتال و نوسانات شدید قیمتی آن، نیاز به توسعه روش های پیش بینی دقیق و سیستم های معاملاتی هوشمند را افزایش داده است. در این پژوهش، یک الگوریتم معاملاتی هوشمند مبتنی بر شبکه عصبی حافظه طولانی کوتاه مدت برای پیش بینی قیمت و تولید سیگنال های خرید و فروش در بازار ارزهای دیجیتال ارائه شده است. هدف اصلی این مطالعه، بهبود عملکرد تصمیم گیری معاملاتی و کاهش ریسک ناشی از نوسانات غیرقابل پیش بینی بازار است. مدل پیشنهادی با استفاده از داده های تاریخی قیمت شامل قیمت باز، بسته، بیشینه، کمینه و حجم معاملات آموزش داده شده و قادر است وابستگی های زمانی بلندمدت موجود در داده های سری زمانی مالی را استخراج کند. در این تحقیق، ابتدا داده ها پیش پردازش شده و نرمال سازی می شوند، سپس ساختار شبکه LSTM طراحی و بهینه سازی می گردد. خروجی مدل به صورت پیش بینی روند قیمتی بوده و بر اساس آن سیگنال های معاملاتی تولید می شود. نتایج آزمایش ها نشان می دهد که مدل LSTM در مقایسه با روش های سنتی مانند میانگین متحرک و رگرسیون خطی، دقت بالاتری در پیش بینی روند قیمت دارد و عملکرد بهتری در تولید سیگنال های معاملاتی ارائه می دهد. همچنین، استفاده از این مدل موجب افزایش بازدهی سرمایه گذاری و کاهش خطای تصمیم گیری در شرایط نوسانی بازار می شود. در نهایت، یافته های این پژوهش نشان می دهد که بهره گیری از شبکه های عصبی عمیق به ویژه LSTM می تواند نقش مؤثری در توسعه سیستم های معاملاتی هوشمند در بازار ارزهای دیجیتال ایفا کند و به عنوان ابزاری کارآمد برای تحلیل گران مالی و سرمایه گذاران مورد استفاده قرار گیرد.

درماندگی مالی یکی از مهم ترین مراحل پیش از ورشکستگی شرکت ها محسوب می شود که شناسایی به موقع آن می تواند از بروز زیان های گسترده برای سرمایه گذاران، اعتباردهندگان و سایر ذی نفعان جلوگیری کند. در سال های اخیر، روش های یادگیری ماشین به دلیل توانایی بالا در استخراج الگوهای پیچیده از داده های مالی، به طور گسترده در حوزه پیش بینی درماندگی مالی مورد استفاده قرار گرفته اند. در این پژوهش، از ماشین بردار پشتیبان به عنوان یکی از کارآمدترین الگوریتم های طبقه بندی استفاده شده است. با توجه به حساسیت عملکرد SVM نسبت به پارامترهای تنظیمی، از الگوریتم های فراابتکاری برای بهینه سازی پارامترهای مدل بهره گرفته می شود. هدف اصلی این مطالعه، ارائه مدلی ترکیبی مبتنی بر SVM و الگوریتم های فرا ابتکاری به منظور افزایش دقت پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. نتایج مطالعات پیشین نشان می دهد که استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک، بهینه سازی ازدحام ذرات و الگوریتم کلونی مورچگان می تواند عملکرد مدل SVM را به طور قابل توجهی بهبود بخشد و دقت پیش بینی را افزایش دهد.