پیش بینی های مدیریتی

این مقاله یک سامانه ی خبره ی ساده و اثربخش را برای پیش بینی داده های نوسانی تصادفی وکوتاه مدت ایجاد نموده است. فرآیند بررسی شامل معرفی سری فوریه، زنجیره ی مارکوف و مقایسه ی مدل پیش بینی (گِری) با مدل پیش بینی ترکیبی گری- فوریه- مارکوف که در هم آمیخته شده اندادامه یافته، تا منجربه خلق یک سامانه ی خبره ی پیش بینی با کمک هوش مصنوعی شود. این مدل موجب می شود اثربخشی پیش بینی داده های تصادفی نوسانی در اکثر برنامه های مدیریتی افزایش یابد. حاصل این مطالعه، معرفی الگوریتم تشخیص هوش مصنوعی است که کمک می کند تا محیطی رایانه ای برای یک سامانه ی پیش بینی خبره ایجاد شود که داده های کوتاه مدت و اتفاقی ناپایدار را به درستی و بادقت پیش بینی کند. جهت آزمون اثربخشی الگوریتم ارایه شده از داده های مطالعه های (چن تسای لین،2008 ) و داده های مربوط به پیش بینی تقاضای گردشگری در ایران استفاده شده است.نتایج، نشان می دهد خروجی مدل برای دوکشور از دقت بالایی برخوردار است.

پدیده اثر هاله ای باعث تحت تأثیر قرار گرفتن سرمایه گذار از یک ویژگی مطلوب سهم که منتج به تعمیم آن به دیگر ویژگی های می گردد؛ که این امر منجر به استنادهای اشتباهی شده که می تواند به طور بالقوه باعث قیمت گذاری اشتباه در بازار سهام، نوسانات قیمت سهام و ناکارایی بازار مالی شود. از این رو، مطالعه ی حاضر، با هدف بررسی نقش پیش-بینی های مدیریتی در بروز پدیده اثر هاله ای در بازار سرمایه خاورمیانه صورت گرفته است. در این راستا، این مطالعه از اطلاعات بازار سرمایه 12 کشور خاورمیانه برای دوره زمانی 2016-2020 از الگوهای پنل دیتا جهت بررسی وجود این پدیده استفاده نموده است. یافته های این مطالعه نشان می دهد که پیش بینی های مدیریتی در بروز پدیده اثر هاله ای در بازار سرمایه خاورمیانه نقشی ندارد. به بیانی دیگر، سرمایه گذاران در بازار سرمایه خاورمیانه در پیروی از الگوی پدیده اثر هاله ای، از پیش بینی های مدیریت استفاده نمی کنند. لذا سرمایه گذاران، مدیران، قانون گذاران و سایر کاربران در تصمیم گیری های خود عقلانی تر رفتار نمایند.