مطالب مرتبط با کلیدواژه
۱.
۲.
۳.
۴.
۵.
۶.
۷.
۸.
۹.
۱۰.
۱۱.
۱۲.
۱۳.
۱۴.
۱۵.
۱۶.
۱۷.
شبکه عصبی فازی
حوزه های تخصصی:
در این مقاله یک روش جدید بر اساس شبکه عصبی فازی برای برآورد ضرایب فازی یک تابع عرضه و تقاضای نیروی کار با ورودی ها و خروجی های فازی، ارایه می شود. در بازارکار میزان دستمزد افراد و تولید ناخالص داخلی به صورت کلمات مبهم و یا فازی می باشند بنابراین لازم است این داده ها توسط رگرسیون فازی برآورد گردند و ضرایب این رگرسیون توسط شبکه عصبی فازی صورت می گیرد. برای تقریب پارامتر ها، یک الگوریتم درنظر گرفته می شود که این کار توسط شبکه عصبی صورت می پذیرد. در انتها به بررسی و براورد تابع عرضه و تقاضای فازی بازارکار ایران می پردازیم. همچنین توانایی روش مذکور را با روش های موجود مورد بررسی قرار خواهیم داد و مشخص شد که توانایی پیش بینی این روش از روش کاو و تاناکا برتری دارد.
الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از الگوهای هوش مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه و بالفعل در کارکرد بخش های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش بینی هر چه دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو سازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو های پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو های پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگو های مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تأثیر را در مصرف انرژی دارد.
بهینه یابی سبد مصرف انرژی و خوشه بندی ساختمان های مسکونی با بهبود شبکه عصبی فازی با اوزان و معماریAHP(مقاله علمی وزارت علوم)
حوزه های تخصصی:
ساختمانهای مسکونی ایران، مطابق آمارهای موجود، بزرگترین مصرف کننده انرژی این کشور می باشند؛ فاکتورهای متعدد تاثیرگذار بر رفتار مصرف انرژی در ساختمانهای مسکونی، مسئله پیش بینی و ممیزی مصرف انرژی را به چالشی مهم در موسسات بهینه سازی مصرف تبدیل نمودهاند. از این رو مدیران در تلاشند تا با بهرهگیری از تکنیک های مناسب، فرآیند ممیزی و تعیین برچسب انرژی ساختمان های مسکونی را بهبود بخشند.
هدف پژوهش حاضر، با توجه به ضرورت مدیریت انرژی، مدل سازی، پیش بینی و خوشه بندی مصرف انرژی ساختمان های مسکونی، جهت ممیزی و تعیین برچسب انرژی این ساختمانها میباشد. از این رو این پژوهش، با تلفیق شبکه عصبی فازی (FNN) و فرایند تحلیل سلسله مراتبی (AHP)، با استفاده از دادههای پرسشنامهای، به خوشه بندی رفتار مصرف انرژی ساختمانهای مسکونی پرداخته است. بر این اساس، ضرایب وزنی و معماری حاصل از AHP به عنوان اوزان و معماری اولیه شبکه عصبی استفاده شده است. شبکه عصبی در دو حالت ""با اوزان و معماری اولیه"" و ""بدون اوزان و معماری اولیه"" بر روی داده های یکسان اجرا گردید. بخش مسکونی شهر شیراز به عنوان جامعه آماری مورد نظر انتخاب گردید و به منظور آموزش و آزمایش شبکه عصبی، داده های 270 ساختمان مسکونی مورد استفاده قرار گرفت. مقایسه قدرت تفکیک و خوشه بندی مدل های FNN در دو حالت بیان گر این مطلب است که مدل شبکه عصبی با معماری و اوزان اولیه AHP نسبت به دیگر مدل، از سرعت و دقت بالاتری در پیش بینی و خوشه بندی برخوردار است.
ارزیابی پیش بینی پذیری قیمت طلا و مقایسه پیش بینی روش های خطی و غیرخطی
حوزه های تخصصی:
در این مقاله قابلیت پیش بینی بازده روزانه قیمت جهانی طلا از تاریخ 25/07/2011 تا 17/12/2012 مورد بررسی قرار گرفته است. بدین منظور ابتدا با استفاده از آزمون براک- دیکرت- شاینکمن (BDS) به بررسی خطی، غیرخطی و آشوبناک بودن سری مورد مطالعه پرداخته شده است. نتایج تحقیق فرض تصادفی بودن سری مورد مطالعه را رد می کند که شاهدی بر پیش بینی پذیر بودن بازده روزانه قیمت طلاست. همچنین فرضیه عدم وجود رابطه غیرخطی در جملات پسماند مدل خطی رد می شود که نشان از وجود رفتار غیرخطی در سری مورد بررسی است. برای پیش بینی بازده روزانه قیمت طلا یک مدل عصبی فازی ANFIS طراحی گردیده و نتایج آن با استفاده از معیارهای مختلف مورد ارزیابی قرار گرفته است. همچنین نتایج با نتایج دو مدل خطی ARMA و غیرخطی GARCH مقایسه شد که مطابق انتظار، مدل غیرخطی ANFIS پیش بینی بهتری از سایر مدل های رقیب داشت. در نهایت با استفاده از آماره مورگان- گرنجر- نیبولد (MGN) معنی داری اختلاف پیش بینی مدل ها مورد بررسی قرار گرفت. نتایج حاکی از معنی دار بودن اختلاف پیش بینی مدل های غیرخطی نسبت به مدل خطی ARMA است.
پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در بازارهای سرمایه عامل های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری، تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری، هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش سه فرآیند جاگذاری داده های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می باشد.
الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.
مدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است
مقایسه دقت الگوریتم های تخمینگر بردار پشتیبان، تخمینگر حداقل درجه و شبکه عصبی فازی در کشف مدیریت سود(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مطالعات زیادی در خصوص عوامل موثر بر مدیریت سود و میزان همبستگی بین آنها صورت گرفته است، اما بکارگیری عوامل موثر در جهت پیش بینی مدیریت سود کمتر مدنظر بوده است. در این تحقیق، توانایی پیش بینی الگوریتم های تخمینگر بردار پشتیبان، تخمینگر حداقل درجه و شبکه عصبی فازی در کشف مدیریت سود بررسی شده است. جامعه آماری این تحقیق شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1385 الی 1391 است. نتایج بررسی فرضیه ها حاکی از آن است که الگوریتم تخمینگر بردار پشتیبان و تخمینگر حداقل درجه و شبکه عصبی فازی به ترتیب بیشترین دقت را در پیش بینی مدیریت سود را دارند.
توانایی مدل های تخمینگر بردار پشتیبان، تخمینگر حداقل درجه و شبکه عصبی فازی در پیش بینی سود هر سهمسهم(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پیش بینی سود حسابداری و تغییرات آن به جهت استفاده در مدل های ارزیابی سهام، توان پرداخت، ریسک، عملکرد واحد اقتصادی و مباشرت مدیریت از دیرباز مورد علاقه سرمایه گذاران، مدیران، تحلیلگران مالی و اعتباردهندگان بوده است. سود هر سهم اغلب برای بررسی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود. در این تحقیق عملکرد سه مدل تخمینگر بردار پشتیبان، تخمینگر حداقل درجه و شبکه عصبی فازی در پیش بینی سود هر سهم مورد ارزیابی قرار گرفته است. در این تحقیق از ۹ متغیر مالی، ۷ متغیر بنیادی و ۴ متغیر کلان استفاده شده است. ابتدا متغیرهای مالی ،متغیرهای بنیادی و کلان اقتصادی به صورت جداگانه و سپس بطور همزمان وارد مدل ها شده اند تا توانایی آن ها در هر سه حالت مورد ارزیابی قرار گیرد. نتایج تحقیق نشان می دهد که مدل تخمینگر حداقل درجه در هر سه حالت فوق (متغیرهای مالی، متغیرهای بنیادی و کلان اقتصادی) عملکرد بهتری نسبت به سایر مدل ها داشته است
ارائه مدلی برای پیش بینی هدف گیری سهام توسط معاملات بلوکی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف این پژوهش ارائه مدلی برای پیش بینی هدف گیری سهام توسط معاملات بلوکی با استفاده از رگرسیون لجستیک می باشد. در این پژوهش ویژگی هایی مورد بررسی قرار می گیرد که در ارتباط با احتمال تبدیل شرکت ها به هدف معاملات بلوکی سهام هستند. برای این منظور داده-های مربوط به 117 شرکت عضو بورس اوراق بهادار تهران که هدف معاملات بلوکی با حجم معامله بالای 5 درصد قرار گرفته بودند و117 شرکت که هدف معاملات قرار نگرفته بودند، در دوره زمانی 1388-1396 انتخاب و با استفاده از روش لاجیت و پروبیت مورد بررسی قرار گرفتند. نتایج نشان داد اهرم مالی به صورت منفی بر فراوانیِ بلوک تجاری شدنِ شرکت ها تأثیر می گذارند. همچنین شرکت هایی که از جریان مالی آزاد و بالایی برخوردارند، دارای سهم بازار بالاتر، پراکندگی مالکیت بیشتر و نهادهای دولتی جزء سهام داران عمده آنها می باشند، احتمالاً به بلوک های تجاری تبدیل می شوند. در این پژوهش همچنین به مقایسه ای بین مدل ایجاد شده با رگرسیون لجستیک با سایر تکنیک های پیش بینی معروف، شبکه عصبی مصنوعی و شبکه های عصبی فازی گزارش شدند. نتایج نشان می دهند که رویکرد شبکه عصبی فازی در پیش بینی هدف گیری سهام در مقایسه با سایر تکنیک ها از دقت بالاتری برخوردار است.
پیش بینی بازده غیرعادی سهام با رهیافت شبکه های عصبی (شواهدی از بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)
منبع:
تحقیقات حسابداری و حسابرسی پاییز ۱۳۹۸ شماره ۴۳
187 - 202
حوزه های تخصصی:
تئوریها و مدلهای ارائهشده جهت پیشبینی بازده غیرعادی بیانگر این امر است که میان پژوهشگران اتفاقنظر مطلقی وجود ندارد. یکی از روشهای بسیار مناسب درزمینهٔ پیشبینی متغییرهای مالی ازجمله قیمت سهام، بازده سهام، سقوط بازار سهام و... بهکارگیری رویکرد شبکه عصبی است. در این پژوهش برای پیشبینی بازده غیرعادی سهام از دو رویکرد شبکه عصبی مصنوعی و شبکه عصبی فازی استفاده گردید تا از این طریق دقت پیشبینی بازده غیرعادی توسط این ابزارها موردبررسی قرار گیرد. متغیرهای ورودی جهت پیشبینی بازده غیرعادی شامل خطای پیشبینی سود، درجه اهرم مالی، نرخ بازده سرمایهگذاری، شفافیت سود حسابداری، محافظهکاری حسابداری، ارزش برند شرکت و اعتمادبهنفس بیشازحد مدیریت بودهاند. بدین منظور 452 شرکت- سال به روش غربالگری برای دوره پنج ساله(1395-1390) در شرکتهای فعال در بورس اوراق بهادار تهران مورد بررسی قرار گرفت. نتایج بیانگر این امر بود که قدرت پیشبینی کنندگی شبکه عصبی مصنوعی از شبکه عصبی فازی برای پیشبینی بازده غیرعادی سهام بیشتر بوده آن را با درصد خطای کمتری انجام میدهد.
پیش بینی زمان بندی انجام معاملات در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف: به دلیل پیچیدگی بازار بورس اوراق بهادار تهران، مسئله زمان بندی انجام معاملات بسیارحائز اهمیت است. زمان بندی انجام معاملات، تحلیل گران و معامله گران را در راستای پیش بینی روند حرکت قیمت سهام یاری می نمایند. از این رو هدف از پژوهش حاضر پیش بینی زمان بندی انجام معاملات سهام شرکت های فعال در بورس اوراق بهادار تهران است. روش: جامعه آماری پژوهش شامل کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1392 تا 1395 است. حجم نمونه با استفاده روش حذف نظام مند بالغ بر 17 شرکت فعال در بورس انتخاب شد. روش اجرای پژوهش مبتنی بر رگرسیون گام به گام و شبکه عصبی فازی با تکیه بر شاخص های قدرت نسبی (RSI)، میانگین متحرک همگراواگرا (MACD)، میانگین متحرک ساده (SMA)، نوسان گر تصادفی (SO)، میانگین متحرک نمایی (EMA) و خط سیگنال (SL) است. یافته ها: یافته های نتایج نشان داد که میانگین درصد صحت پیش بینی کلیه شبکه های ایجاد شده (55/96%) بیشتر از حالت تصادفی(50%) است. با اعمال مقررات معاملاتی مقادیر پیش بینی شده به سیگنال تبدیل شدند و پیشنهاد داده شد که سیگنال نهایی سیستم طراحی شده از مجموع سیگنال های ایجاد شده توسط 5 شاخص تکنیکال مذکور بدست آید. در مرحله بعد جهت سنجش بازده معاملات پیشنهادی، مدل ارائه شده با استفاده از استراتژی معاملاتی پیشنهادی پژوهش یک معامله فرضی شبیه سازی گردید. سپس بازده معاملات صورت گرفته بر اساس سیگنال نهایی سیستم پیشنهادی با بازده روش های تکنیکال و روش های خرید و نگهداری (در دوحالت پیش از کسر هزینه های معاملاتی و پس از کسر هزینه های معاملاتی) مقایسه شدند. نتیجه گیری: با توجه به بازدهی مثبت شاخص های SMA، EMA، SO و روش پیشنهادی می توان نتیجه گرفت که با استفاده از شاخص های تحلیل تکنیکال در بازار سهام ایران روند قیمت سهام را پیش بینی نمود. از این میان، روش میانگین متحرک ساده از بالاترین اعتبار برای پیش بینی روند قیمت سهام برخوردار است. در نتیجه بازار بورس تهران پتانسیل بکارگیری شاخص های مختلف تحلیل تکنیکی را دارا است.
مدل ترکیبی پیش بینی تقاضای گردشگری داخلی شهر تهران(مقاله علمی وزارت علوم)
منبع:
گردشگری و توسعه سال هشتم بهار ۱۳۹۸ شماره ۱ (پیاپی ۱۸)
250 - 275
حوزه های تخصصی:
در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. به همین منظور پژوهش حاضر سعی دارد ابتدا 4 نوع از مهمترین انواع گردشگری داخلی شهر تهران را شناسایی و سپس مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر پیش بینی تقاضای هر یک از آنها پیشنهاد کند. برای این کار از اطلاعات حتی المقدورماهیانه بین سال های 1381 تا 1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران داخلی شهر تهران به تفکیک 4 نوع از مهم ترین انواع گردشگری داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس روش دلفی فازی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتم SVR است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری و روش ها را باهم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی (ANFIS ) دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری تفریحی و VFR داخلی و رویکرد ترکیبی رگرسیون و الگوریتم SVR دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری پزشکی و تجاری- اداری داخلی است.
پیش بینی تقاضای گردشگری فرهنگی شهر تهران(مقاله علمی وزارت علوم)
منبع:
مطالعات راهبردی فرهنگ سال اول تابستان ۱۴۰۰ شماره ۲
59 - 82
حوزه های تخصصی:
یکی از مهم ترین رویدادها در صنعت گردشگری هر کشور میزان تقاضا برای یک محصول یا مقصد گردشگری است، اما باید توجه داشت که پیش بینی ها هرگز نمی توانند کاملاً با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود خواهد داشت، اما استفاده از روش های علمی و نوین در امر پیش بینی باعث خواهد شد که نتایج به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهم ترین انواع گردشگری داخلی شهر تهران، بر اساس گزارش مرکز ملی آمار و دیدگاه های صاحب نظران این حوزه، گردشگری فرهنگی است. ازاین رو، پژوهش پیش رو سعی دارد مدل هایی را برای پیش بینی تقاضای گردشگری فرهنگی داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه سال های 1381 1398 استفاده شده است. متغیر مستقل این پژوهش تعداد گردشگران فرهنگی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند. چارچوب مدل ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتمSVR است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری کرد و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و الگوریتم SVR پیشنهادی می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص گردشگری فرهنگی داخلی داشته باشد.
تدوین و ارائه مدل روند حجم معاملات سرمایه گذاران بر اساس مؤلفه های روانشناسی با استفاده از رویکرد شبکه عصبی فازی(مقاله علمی وزارت علوم)
منبع:
بورس اوراق بهادار سال پانزدهم بهار ۱۴۰۱ شماره ۵۷
311 - 348
حوزه های تخصصی:
در نظریه مالی- رفتاری، تجزیه و تحلیل تأثیر مؤلفه های روانشناسی سرمایه گذاران از جمله نگرش و رفتار آن ها بر تصمیم گیری های سرمایه گذاری می تواند منجر به توزیع عادلانه خدمت به فعالان بازار سرمایه شود. ایجاد چنین عدالتی مستلزم درک رفتارهای تصمیم گیری سرمایه گذاران است. لذا در پژوهش حاضر سعی بر آن شده تا چگونگی شکل گیری روند حجم معاملات در بازار سرمایه ایران که تحت تاثیر باورهای سرمایه گذاران شکل می گیرد را آشکار نماید و با تعریف مفهومی و عملیاتی مؤلفه های مؤثر بر این روند، مدل جامع شکل گیری روند حجم معاملات مبتنی بر مؤلفه های روانشناسی سرمایه گذاران در بورس اوراق بهادار تهران با استفاده از رویکرد شبکه عصبی فازی تدوین گردد. دوره پژوهش از سال 1392 تا 1397 و نمونه آماری متشکل از 138 شرکت پذیرفته شده در بورس اوراق بهادار تهران است. مولفه های روانشناسی پژوهش شامل، منطقی بودن، خوش بینی و بدبینی سرمایه گذاران، زیان گریزی و مونتوم می باشند. یافته های پژوهش حاکی از آن است که به ترتیب بین متغیرهای بدبینی و خوش بینی سرمایه گذاران با روند حجم معاملات رابطه منفی و مثبت معناداری وجود دارد؛ اما بین متغیرهای منطقی بودن سرمایه گذاران، زیان گریزی و مومنتوم با روند حجم معاملات رابطه معناداری وجود ندارد.
مدل سازی پیش بینی تقاضای گردشگری بازدید از دوستان و بستگان (VFR) داخلی شهر تهران(مقاله علمی وزارت علوم)
منبع:
برنامه ریزی و توسعه گردشگری سال هفتم پاییز ۱۳۹۷ شماره ۲۶
122 - 145
حوزه های تخصصی:
یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری است. اما باید توجه داشت پیش بینی ها هرگز نمی توانند به طور صد درصد با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی موجود خواهد بود، ولی استفاده از روش های علمی و نوین در امر پیش بینی، باعث خواهد شد نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهمترین انواع گردشگری داخلی شهر تهران بر اساس آمار مرکز ملی آمار و نظرات صاحب نظران این حوزه، گردشگری بازدید از دوستان و بستگان(VFR) است به همین منظور پژوهش حاضر سعی دارد مدل هایی برای پیش بینی تقاضای گردشگری بازدید از دوستان و بستگان(VFR) داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه بین سال های 1381 تا [1]1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران بازدید کننده از دوستان و بستگان(VFR) داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون[2]، شبکه عصبی فازی[3] و الگوریتمSVR[4] است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی(ANFIS)پیشنهادی می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص پیش بینی گردشگری بازدید از دوستان و بستگان(VFR) داخلی داشته باشد. <br clear="all" /> [1] علت بررسی تا سال 1394 عدم انتشار آمار سال های 1395 و 1396 توسط مرکز ملی آمار تا کنون است. [2] Regression [3] Adaptive Neuro-Fuzzy Inference System (ANFIS) [4] Support Vector Regression(SVR(
مدل سازی ترکیبی پیش بینی تقاضای گردشگری پزشکی داخلی شهر تهران(مقاله پژوهشی وزارت بهداشت)
منبع:
مدیریت سلامت دوره ۲۱ زمستان ۱۳۹۷ شماره ۷۴
۶۴-۵۱
حوزه های تخصصی:
مقدمه:.یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری و پیش بینی درست آن است. اما باید توجه داشت که فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود دارد. استفاده از روش های علمی و نوین در امر پیش بینی، باعث خواهد شد که نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شوند که مقاله حاضر نیز همین هدف را در حوزه گردشگری پزشکی دنبال می کند. روش ها: در مرحله اول عوامل موثر بر تقاضای گردشگری پزشکی داخلی با استفاده از تکمیل پرسش نامه های مربوط به روش دلفی فازی و دیمتل فازی توسط ۳۱ نفر از خبرگان آشنا به این حوزه و پردازش توسط نرم افزار MATLAB۲۰۱۷aشناسایی شدند و پس از مشخص شدن تابع تقاضا و جمع آوری اطلاعات ماهیانه هر یک از عوامل موثر در بازه زمانی سال های ۱۳۸۱ تا ۱۳۹۴، سه مدل پیش بینی رگرسیون، شبکه عصبی فازی و الگوریتم SVR به صورت مجزا و ترکیبی برای این تابع در نرم افزار MATLAB اجرا و خطای پیش بینی هریک، اندازه گیری و با هم مقایسه شد. یافته ها: نتایج پژوهش حاضر نشان داد که تابع تقاضای گردشگری پزشکی داخلی شامل: عوامل اقتصادی (درآمد و ثروت افراد )، قیمت خدمات و هزینه زندگی در مقصد، قیمت تاسیسات اقامتی، وجود آلودگی هوا، قیمت محصولات جایگزین (سفر خارجی)، تعداد مراکز پزشکی، بیمارستان هاو آزمایشگاه ها است. نتیجه گیری: رویکرد ترکیبی رگرسیون چندگانه و الگوریتم SVR پیشنهادی نیز می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص پیش بینی گردشگری پزشکی داخلی داشته باشد. بنابراین، پیشنهاد می شودبه منظور کاهش میزان خطای پیش بینی جهت انجام برنامه ریزی های اصولی در حوزه تقاضای گردشگری پزشکی داخلی شهر تهران از این تابع تقاضا و مدل پیش بینی استفاده شود.
ارزیابی و مقایسه عملکرد مدل رگرسیون خودبازگشتی میانگین متحرک انباشته فازی و شبکه عصبی فازی در پیش بینی رشد اقتصادی ایران(مقاله علمی وزارت علوم)
منبع:
مطالعات اقتصادی کاربردی ایران سال ۲ زمستان ۱۳۹۲ شماره ۸
33 - 52
حوزه های تخصصی:
پیش بینی براساس مدل های چندمتغیری اقتصادسنجی با محدودیت هایی زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدل های تک متغیری است. اما اکثر روش های تک متغیری برای حصول به نتیجه خوب نیاز به داده های زیادی دارند. روش های رگرسیون فازی به دلیل فازی در نظر گرفتن اع داد، برای مدل سازی و پیش بینی معمولاً نیاز به داده های کمتری دارند. از این رو در این مطالعه کارایی روش رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (FARIMA) که ترکیبی از روش خودبازگشتی میانگین متحرک انباشته (ARIMA) و رگرسیون ف ازی است با روش های ARIMA و شب که عصبی فازی (ANFIS) در پیش بینی رشد اقتصادی ایران مقایسه می شود. برای تخمین مدل از داده های دوره ی 1338 تا 1380 استفاده شده است. سپس کارایی این مدل ها در پیش بینی رشد اقتصادی ایران برای دروه 1381 تا 1388 با استفاده از معیارهای RMSE، MAE، MAPE و TIC ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش FARIMA است. همچنین مدل ANFIS عملکرد بهتری نسبت به مدل ARIMA دارد.