پیش بینی عملکرد

هدف پژوهش حاضر، پیش بینی زمان رسیدن به واماندگی در سرعت های مختلف از روی برخی متغیرهای فیزیولوژیک و جسمانی در مردان جوان بود. تعداد 75 نفر از دانشجویان پسر (سن: 22/1 ± 74/20 سال، وزن: 78/10 ± 25/67 کیلوگرم، قد 06/0 ± 3/174 سانتی متر و توان هوازی 29/3 ± 1/47 میلی لیتر بر وزن بدن در دقیقه) به صورت نمونه گیری دردسترس انتخاب شدند. ارزیابی های تن سنجی و فیزیولوژیک شامل آستانه لاکتات، توان هوازی و بی هوازی، ضربان قلب استراحتی، سطح فعالیت بدنی، سرعت در حداکثر اکسیژن مصرفی، استقامت و قدرت پایین تنه و توان انفجاری پایین تنه انجام شد. برای ثبت ضربان قلب، اشباع اکسیژن و زمان دویدن، آزمودنی ها یک وهله فعالیت دویدن روی نوار گردان را با سرعت های 8، 10، 12 و 14 کیلومتر در ساعت و شیب صفر تا واماندگی انجام دادند. یافته ها نشان داد که سرعت حداکثر اکسیژن مصرفی، ضربان قلب حین فعالیت، ضربان قلب استراحتی، سطح فعالیت بدنی و توان انفجاری پایین تنه، عوامل پیش بینی کننده زمان رسیدن به واماندگی در سرعت هشت کیلومتر در ساعت هستند ( 0.05 P≤ )؛ سرعت حداکثر اکسیژن مصرفی، سابقه دویدن، ضربان قلب استراحتی، سرعت در آستانه لاکتات و وزن، پیش بینی کننده زمان رسیدن به واماندگی در سرعت 10 کیلومتر در ساعت هستند ( 0.05 P≤ ). سرعت در آستانه لاکتات، سابقه دویدن، وزن، ضربان قلب استراحتی و توان بیشینه، پیش بینی کننده زمان رسیدن به واماندگی در سرعت 12 کیلومتر در ساعت هستند ( 0.05 P≤ ) و سرعت حداکثر اکسیژن مصرفی، سطح فعالیت بدنی، وزن، توان بیشینه و سابقه دویدن، پیش بینی کننده زمان رسیدن به واماندگی آزمودنی ها در سرعت 14 کیلومتر در ساعت هستند ( 0.05 P≤ ). سرعت حداکثر اکسیژن مصرفی، ضربان قلب استراحتی و سابقه دویدن، در اکثر سرعت ها مشترک بودند. براساس نتایج، برای پیش بینی زمان رسیدن به واماندگی می توان از سرعت حداکثر اکسیژن مصرفی، سابقه دویدن، ضربان قلب استراحتی و آستانه لاکتات استفاده کرد.

پژوهش حاضر با هدف پاسخ به این سوال انجام شد که آیا از نمرات اولیه حافظه کاری می توان اجرای پومسه را بعد از 10 جلسه آموزشی پیش بینی نمود. بدین منظور تعداد 60 نفر آزمودنی در دامنه سنی 18 تا 24 سال در این پژوهش شرکت نمودند که ابتدا از طریق آزمون حافظه کاری ارزیابی و وارد مرحله آموزش پومسه شدند. سپس رابطه بین متغیرهای حافظه کاری و نمرات اجرای پومسه در جلسه انتهایی بررسی گردید. نتایج نشان داد شاخص های متفاوتی از آزمون حافظه کاری، زیرمؤلفه های متفاوتی از اجرای پومسه را پیش بینی می کنند. به طورکلی یافته های حاضر نشان می دهد که حافظه کاری عاملی مهم در تعیین موفقیت افراد مبتدی در اجرای پومسه است. این پژوهش را می توان به عنوان یک مطالعه مقدماتی در حیطه پیش بینی عملکرد بر اساس ویژگی های شناختی در نظر گرفت.

پژوهش حاضر به دنبال پاسخ به این سوال می باشد که چه ترکیبی از الگوریتم های یادگیری ماشین، روش های انتخاب ویژگی و تکنیک های گروهی، قوی ترین پیش بینی عملکرد شرکت ها را در بورس اوراق بهادار تهران ارائه می کند؟ در این مسیر تمامی شرکت های پذیرفته شده در بورس تهران طی سال های 1389 تا 1402 به عنوان جامعه آماری در نظر گرفته شدند و برای انتخاب نمونه، از روش حذف سیستماتیک استفاده شد که در نهایت، 171 شرکت به عنوان نمونه نهایی انتخاب گردید. داده های گردآوری شده با استفاده از نرم افزار یادگیری ماشین RapidMiner و نرم افزار اقتصادسنجی EViews مورد تجزیه وتحلیل قرار گرفته شد. نتایج تحلیل مقایسه ای مدل های مختلف یادگیری ماشین نشان داد که ماشین های بردار پشتیبان، جنگل تصادفی و شبکه های عصبی عموماً از سایر الگوریتم ها در وظایف پیش بینی مالی بهتر عمل می کنند.  عملکرد رقابتی مدل های ساده تر مانند رگرسیون لجستیک در سناریوهای خاص، ارزش تفسیرپذیری مدل و خطر پیچیدگی غیرضروری را به ما یادآوری کرد، بنابراین یک رویکرد متعادل با در نظر گرفتن عملکرد مدل و تفسیرپذیری، در وظایف پیش بینی مالی بسیار ضروری به نظر می رسد. مطالعه ما نشان داد که تکنیک های کاهش ابعاد مانند تجزیه و تحلیل مؤلفه اصلی و نقشه های خودسازمان دهنده در این زمینه مفید نیستند و اغلب منجر به کاهش عملکرد می شوند. این یافته مهم نسبت به کاربرد بی رویه چنین تکنیک هایی هشدار می دهد و بر نیاز به در نظر گرفتن دقیق ماهیت داده ها و وظیفه پیش بینی خاص تاکید می کند. استفاده از روش های گروهی، به ویژه بگینگ، عملکرد مدل های قوی را بیشتر افزایش داد، بنابراین ترکیب چندین مدل یا نسخه از یک مدل می تواند به پیش بینی های قوی تر در محیط پرنوسان بازار سهام منجر شود. شاید مهمترین نکته این باشد که بهترین مدل های پژوهش تعمیم بسیار خوبی به پرتفوی خاص مانند هلدینگ سرمایه گذاری غدیر داشتند. این نشان دهنده کاربرد عملی روش پژوهش حاضر است و نشان می دهد که مدل های آموزش داده شده بر روی داده های گسترده تر بازار می توانند بینش های ارزشمندی برای پرتفوی های سرمایه گذاری خاص ارائه دهند.