الگوریتم PSO

از آنجا که پیش بینی سود نقدی شرکت ها یکی از منابع اطلاعاتی با ارزش برای سرمایه گذاران و دیگر افراد ذینفع است، پژوهش حاضر تلاش می کند مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر سود نقدی سهام پیشنهاد کند. برای این کار از اطلاعات شرکت های شیمیایی پذیرفته شده در بورس تهران بین سال های 1385 تا 1389 استفاده شده است. متغیرهای مستقل این تحقیق نسبت های حسابداری و متغیر وابسته سود نقدی سهام است. چارچوب مدل، ترکیبی از الگوریتم های PSO-SVR و PSO-LARS است. الگوریتم PSO، ترکیب بهینه ای از متغیرها که بر پیش بینی سود نقدی تأثیر گذارند را شناسایی می کند. سپس داده های مربوط به متغیرهای انتخاب شده توسط PSO به طور جداگانه به الگوریتم های SVR و LARS وارد می شوند و این الگوریتم ها را آموزش می دهند. در ادامه الگوریتم های SVR و LARS با داده های ارزیابی آزموده می شوند و به این ترتیب می توان خطای پیش بینی را اندازه گیری و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد ترکیب الگوریتم PSO با الگوریتم SVR یا ترکیب PSO-LARS در مقایسه با استفاده از الگوریتم های LARS و SVR به تنهایی می تواند پیش بینی بهتری از عوامل تأثیرگذار مورد نظر داشته باشد. ضمن این که در مقایسه دو روش ترکیبی PSO-LARS و PSO-SVR، خطای پیش بینی PSO-SVR کمتر است.

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.

تنوع محصول هر نشان تجاری نقش مهمی در انتخاب نهایی مصرف کنندگان دارد. این موضوع از آن جهت حائز اهمیت است که سطح بهینه تنوع و قیمت نشان های تجاری می تواند راهگشای تصمیم گیری در طراحی و قیمت گذاری خطوط تولید برای مدیران باشد. اطلاعات مورد نیاز این پژوهش، مربوط به ۴۳۵ فروشگاه مواد غذایی از داده های شرکت صنایع شیر پگاه در سال ۱۳۹۳می باشد. در این پژوهش تلاش شده است با استفاده از الگوی سیستم معادلات به ظاهر نامرتبط و الگوریتم بهینه سازی اجتماع ذرات، سطح بهینه تنوع و قیمت نشان های تجاری تعیین شود. نتایج الگوریتم بهینه سازی اجتماع ذرات نشان داد که سطح بهینه تنوع نشان تجاری کاله در بازار از دیگر نشان های تجاری رقیب بیشتر شده است. همچنین نشان تجاری صباح باید ۱ نوع از محصول پنیر خود را از بازار حذف نماید و نشان های تجاری کاله و پگاه در وضعیت بهینه از لحاظ تنوع محصول پنیر می باشند. با توجه به یافته ها از نظر قیمتی پیشنهاد می شود، سطح قیمت بهینه نشان تجاری کاله از دیگر رقبا بیشتر باشد. همچنین فروشگاه های مواد غذایی برای افزایش سود، بایستی نسبت بیشتری از تنوع نشان های تجاری کاله و پگاه را داشته باشند.

بخش دفاعی، یکی از بخش های کلیدی کشور ایران است که قسمت مهمی از کل مخارج عمومی را به خود اختصاص داده است. لذا تلاش در جهت پیش بینی روند آتی این متغیر از اهمیت ویژه ای برای سیاست گذاران بخش دفاعی برخوردار است. در این مقاله با تکیه بر مبانی نظری مربوط به تابع مخارج دفاعی، به تصریح مدل مخارج دفاعی مناسب برای ایران با هدف دست یابی به پیش بینی مطلوب پرداخته شده است. لذا با هدف پیش بینی روند آتی مخارج دفاعی در ایران تا سال 1404، با استفاده از مبانی نظری در زمینه تابع مخارج دفاعی و به کارگیری آن با دو ابزار الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات (PSO)، به شبیه سازی تابع مخارج دفاعی ایران طی سال های 1391-1338 در قالب سه معادله خطی، نمایی و درجه دوم پرداخته و سپس با استفاده از معیارهای انتخاب مدل رقیب، الگوریتم و مدل برتر انتخاب و اقدام به پیش بینی میزان مخارج دفاعی تا سال 1404 شده است. بر اساس نتایج به دست آمده می توان گفت که تابع مخارج دفاعی شبیه سازی شده توسط الگوریتم PSO با فرم نمایی، با ساختار ایران سازگاری بیش تری دارد و بنابراین، برای پیش بینی مخارج از نمونه تا سال 1404 انتخاب و برگزیده شده است. نتایج پیش بینی نیز نشان دهنده آن است که مخارج دفاعی در ایران با شیب نسبتاً ملایمی تا سال 1404 افزایش خواهد یافت.

تشدید تنش و رقابت منطقه ای بین ایران و عربستان، پیش بینی وضعیت رقابت تسلیحاتی آتی بین این دو کشور را مهم جلوه می کند. بر این اساس هدف اصلی این مقاله پیش بینی تجربی وضعیت رقابت تسلیحاتی بین ایران و عربستان طی سال های 2040-2018 می باشد. به این منظور، نخست یک تابع تقاضای مخارج نظامی برای دو کشور ایران و عربستان شبیه سازی و با استفاده از داده های سال های 2017-1963 و الگوریتم بهینه سازی انبوه ذرات (PSO) میزان مخارج نظامی کشورهای ایران و عربستان برای دوره ی زمانی 2040-2018 پیش بینی شده است. سپس با استفاده از این داده ها و به کارگیری یک مدل رقابت تسلیحاتی ریچاردسون و روش رگرسیون هم جمعی کانونی (CCR) وضعیت رقابت تسلیحاتی بین ایران و عربستان در افق 2040 پیش بینی شده است. طبق پیش بینی های انجام شده مخارج نظامی در ایران و عربستان با شیب تقریباً صعودی (مثبت)، طی سال های 2040-2018 افزایش می یابد که میزان این افزایش برای کشور عربستان قابل توجه تر خواهد بود. برآورد سیستم معادلات مدل ریچاردسون گویای وجود یک رقابت تسلیحاتی بین دو کشور ایران و عربستان طی دوره ی زمانی 2040-2018 می باشد؛ به گونه ای که در قبال افزایش هزینه های نظامی طرفین، میزان واکنش عربستان در افزایش هزینه های نظامی بسیار بیشتر از ایران خواهد بود. بررسی وضعیت رقابت تسلیحاتی نیز بیان گر وجود یک رقابت تسلیحاتی ناپایدار (بی ثبات) بین ایران و عربستان طی سال های 2040-2018 است.

در دنیای امروز، اطلاعات دانش ارتباطات است. شناسایی و مدیریت این اطلاعات، جهت تولید اطلاعات با کیفیت، با توجه به زندگی ما در یک اقتصاد و اجتماع اطلاعاتی امری بسزاست؛ به طوری که در دسترس بودن اطلاعات به تنهایی و بدون در نظر گرفتن کیفیت آن، دیگر یک راهبرد مفید نیست. بنابراین؛ اطلاعات به عنوان محصول حسابداری که منجر به افزایش نظریه های جدید، تکنیک های جدید و دیدگاه های سرمایه گذاری جدید می گردد، میبایست با کیفیت باشد. پژوهش حاضر در تلاش است کیفیت اطلاعات حسابداری را با بکارگیری الگوریتم (PSO) بهینه سازی نماید. هدف، ارزیابی کیفیت اطلاعات حسابداری ارائه شده در بورس اوراق بهادار تهران می باشد. بازه زمانی پژوهش 8 ساله (1388-1395) و ویژگی های کیفی اطلاعات حسابداری تطابق هزینه با درآمد، به موقع بودن سود، محافظه کاری شرطی و غیرشرطی، کیفیت افشاء، انتخاب خاصه، ارزش تائید کنندگی، ارزش پیش بینی کنندگی، بیان صادقانه، احتیاط، کامل بودن و قابلیت مقایسه می باشد.

یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی، انتخاب سبد سهام به منظور حداقل سازی ریسک و در عین حال حداکثرسازی بازده می باشد. تجربه نشان می دهد سرمایه گذاری روی یک دارایی خاص می تواند زیان های کلانی به سرمایه گذار وارد نماید. افراد و سازمان ها ترجیح می دهند به جای انجام سرمایه گذاری واحد، در یک سبد سهام سرمایه گذاری لازم را انجام دهند. در این صورت، این مزیت برای سرمایه گذاران فراهم می شود که با تنوع دارایی های مالی، ریسک کلی سرمایه گذاری کاهش یابد، بدون آنکه تأثیر منفی بر بازده مورد انتظار داشته باشد. از اینرو مسأله انتخاب بهینه درسبد سرمایه گذاری، یکی از مهم ترین مسائل علم مالی و سرمایه گذاری می باشد وکاربرد فراوانی در برنامه ریزی ها و تصمیم گیری های مالی دارد. برای این منظور مدل های متعددی با هدف کمینه کردن ریسک و بیشینه کردن بازده و روش های متعددی برای بهینه کردن این مدل ها با هدف کمینه کردن ریسک و بیشینه کردن بازده وجود دارد. در پژوهش حاضر، به وسیله مدل میانگین نیم واریانس به بهینه سازی سبد سهام میپردازیم و ﻣﺴﺌﻠﻪ ﺑﻬیﻨﻪ ﺳﺎزی ﺳﺒﺪ اﺳﺘﻔﺎده ﺳﻬﺎم ﺑﺎ از اﻟﮕﻮریﺘﻢ ﻫﺎی PSO و GA و FA ﺣﻞ ﺷﺪه اﺳﺖ و در اداﻣﻪ ﻧﺘﺎیﺞ ﺑﺎزده و ریﺴک ﺣﺎﺻﻞ از ﻫﺮ یک ﻣﻮرد ﻣﻘﺎیﺴﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. نتایج نشان داد که الگوریتم GA بهترین سبد سرمایه گذاری را به ما ارائه می دهد که کمترین ریسک و بیشترین بازده را به ما می دهد در حالیکه سبد سرمایه گذاری را به طور کامل متنوع کرده است.

نقش اطلاعات حسابداری، ویژگی ها و خصوصیات آن در دهه های گذشته به طور قابل توجهی افزایش یافته است. دلیل این واقعیت رفتار استفاده کنندگان در فرایند تصمیم گیری هایشان است. واضح است که هر استفاده کننده برای کاهش عدم تقارن اطلاعاتی و امکان تصمیم گیری بهتر خواستار اطلاعات کیفی مناسب با هزینه های پائین می باشد، در واقع، این ضرورت تولید اطلاعات حسابداری با کیفیت است. تحقیق حاضر به اندازه گیری کیفیت اطلاعات حسابداری در بورس اوراق بهادار تهران در بازه زمانی 8 ساله (1388- 1395) پرداخته است. سپس تاثیر آن بر سهامداران شکیبا و ناشکیبا را با بکارگیری الگوریتم (PSO) بهینه نموده است.ویژگی های کیفی اطلاعات حسابداری در این تحقیق تطابق هزینه با درآمد، به موقع بودن سود، محافظه کاری شرطی و غیرشرطی، کیفیت افشاء، انتخاب خاصه، ارزش تائید کنندگی، ارزش پیش بینی کنندگی، بیان صادقانه، احتیاط، کامل بودن و قابلیت مقایسه می باشد.

استفاده از ذخیره سازها موجب بهبود قدرت پاسخگویی به بار، افزایش قابلیت اطمینان شبکه و کاهش نیاز به احداث ظرفیت نیروگاهی جدید در صنعت برق می شود. با توجه به منافع اقتصادی- زیست محیطی استفاده از ذخیره سازها در صنعت برق، هدف اصلی این تحقیق بررسی کاربرد ذخیره ساز برق در شبکه برق با اهداف حداقل سازی تلفات، آلایندگی زیست محیطی و هزینه های سوخت سیستم است. در همین راستا سه سناریو تحت الگوریتم بهینه سازی ازدحام ذرات چندهدفه ( MOPSO ) طراحی شده است که در سناریو شماره 1 بار مصرفی شبکه صرفاً توسط دیزل ژنراتورها تأمین می شود. در سناریو شماره 2، منابع تولید توان تجدیدپذیر بادی و خورشیدی به شبکه اضافه می شود و در سناریوی شماره 3 علاوه بر دیزل ژنراتور و توربین بادی و پنل های خورشیدی، ذخیره سازهای انرژی به شبکه افزوده شده و با الگوریتم MOPSO جایابی ذخیره سازها انجام شده است. نتایج حاصل از حل مدل نشان می دهد که کاراترین نتیجه برای اهداف طراحی شده با حل مدل تحت سناریوی شماره 3 قابل دستیابی است. بر این اساس، میزان تلفات شبکه، هزینه سوخت و آلایندگی در حرکت از سناریوی اول (حالت پایه) به سناریوی سوم به ترتیب 432 کیلووات، 7/13 هزار دلار و 75 کیلوگرم کاهش نشان می دهد. این نتایج و یافته ها می تواند به استفاده بهینه از ذخیره سازهای انرژی به منظور بهبود پایداری و امنیت شبکه، کاهش تلفات و آلایندگی در صنعت برق کشور کمک کند.

بررسی اثرات استراتژی ها و باورهای مختلف سرمایه گذاران بر قیمت سهام، همواره مورد توجه پژوهشگران و فعالان بازار بوده است.هدف این مقاله مدلسازی اثرات تورش های رفتاری سرمایه گذاران بورس اوراق بهادار تهران در چارچوب مدل عامل ناهمگن و بهینه سازی آنها با استفاده از الگوریتمpso می باشد.برای انجام پژوهش ابتدا نقطه بحران و سقوط بازار سهام براساس روند تغییرات شاخص،ارزش بازار و ارزش معاملات مشخص شد و قیمت های بنیادی و قیمت های بازار ، 40 روز قبل و 40 روز بعد از رویداد مشخص شد. سپس، تورش های رفتاری اعتماد بیش از حد، رفتار گله ای و احساسات بازار وارد مدل شده و شبیه سازی قیمت سهام در مقطع بحران در چارچوب مدل عامل ناهمگن بروک و هومز صورت گرفت.همچنین از الگوریتم PSO جهت بهینه سازی داده های تولید شده در فرایند شبیه سازی استفاده شد و در نهایت با مقایسه قیمت های شبیه سازی شده با قیمت های واقعی بازار، توانایی مدل در توضیح رفتار سرمایه گذاران در مقطع بحران مورد بررسی و تحلیل قرار گرفت. نتایج تحقیق نشان داد که احساسات منفی بازار به عنوان مهمترین عامل رفتاری در توضیح رفتار قیمت سهام در هنگام سقوط بورس اوراق بهادار تهران عمل می نماید.