پیش‎بینی

هدف اصلی این مقاله بررسی سودمندی متغیرهای بنیادی در پیش‌بینی رشد سود عملیاتی است. چهار متغیر بنیادی ( مستقل) ارزش دفتری حقوق صاحبان سهام، قیمت سهام، سود تقسیمی و سود عملیاتی، انتخاب و ارتباط آن با رشد سود عملیاتی سال آتی طی دوره زمانی 1378تا 1382 مورد مطالعه قرار گرفت. برای آزمون فرضیه‌ها از فنون آماری رگرسیون چند متغیره و پانل دیتا بهره گرفته شد. نتایج به‌دست آمده بیان‌گر آن است که به غیر از سود تقسیمی بقیه متغیرهای مستقل با رشد سود عملیاتی رابطه‌ی معنی‌دار دارند.

این مطالعه به بررسی پیش‌بینی‌پذیری رفتاربازده سهام شرکت‌های یذیرفته شده در بورس اوراق بهادار تهران وهمچنین انجام عمل پیش‌بینی بازده با استفاده از شبکه‌های عصبی مصنوعی می‌پردازد. به منظور انجام عمل پیش‌بینی بازده، در مرحله اول روند گذشته سری زمانی مربوط به شرکت‌ها و همچنین سه متغیر از متغیرهای تحلیل تکنیکی (شاخص سهام، حجم سهام مبادله شده و آخرین نرخ سهام در روز) برای مدت 5 سال(تیرماه 1377 لغایت 1382) مورد استفاده قرارگرفت وبا تغییر پارامترهای شبکه عصبی مصنوعی مدل بهینه جهت پیش‌بینی بازده روزانه سهام هر شرکت طراحی گردید. در مرحله دوم، پیش‌بینی بازده روزانه طی همان 5 سال صرفاً براساس اطلاعات گذشته یا روند گذشته سری زمانی انجام شد. در این پژوهش از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه (MLP) با توابع یادگیری متفاوت استفاده گردید. نتایج حاصل نشان‌دهنده آن است که: - رفتار سری زمانی بازده روزانه سهام شرکت‌ها یک فرآیند تصادفی نیست و دارای حافظه می‌باشد. - شبکه‌های عصبی مصنوعی توانایی پیش‌بینی بازده روزانه را با میزان خطای نسبتاً مناسبی دارند.

"یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود. در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد."

شواهد موجود نشان می‎دهد که قیمت نفت‎خام یک گام تصادفی است به‎طوری‎که بهترین پیش‎بینی از قیمت در هر زمان مقدار آن در دوره قبل می‎باشد. اما بررسی سری زمانی روزانه قیمت نفت‎خام وست تگزاس اینترمدیت ((WTI، از سال 1990 الی آخر نیمه اول سال 2005 نشان می‎دهد که این سری دارای نوسان خوشه‎ای است که به‎طور معمول نمی‎توان آن را در پیش‎بینی‎ها نادیده گرفت و یا حذف نمود. به همین دلیل مسأله اصلی در این تحقیق پیش‎بینی بی‎ثباتی (واریانس شرطی) قیمت نفت‎خام می‎باشد. برای این منظور از خانواده مدل‎های اتورگرسیو واریانس ناهمسان شرطی (ARCH) استفاده نمودیم که با استفاده از معیارهای عملکرد پیش‎بینی مورد ارزیابی قرار گرفتند. با توجه به نتایج به‎دست آمده مدل‎های GARCH)) و (TGARCH) عملکرد بهتری نسبت به سایرمدل‎های واریانس شرطی در رابطه با پیش‎بینی بی‎ثباتی قیمت نفت‎خام دارند. به‎علاوه پدیده موسوم به اثرات اهرمی در بازار نفت مشاهده می‎شود.

در این مقاله از شبکه عصبی GMDH، به‎عنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روند‎های غیرخطی پیچیده، به‎ویژه با تعداد مشاهدات محدود، برای الگوسازی و پیش‎بینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل 7 متغیر همراه با وقفه اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع 18 مدل اجرا شد. نتایج نشان داد الگو‎های حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیش‎ترین سهم را در کاهش خطای پیش‎بینی دارا هستند. هم‎چنین اثر مضاعف رشد هزینه‎های دولت بر متغیر هدف، مؤید نتایج مطالعات اخیر در کشورهای در حال توسعه نفتی است. برتری شبکه عصبی GMDH در دقت پیش‎بینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تائید قرار گرفت.

سهامداران جهت گرفتن تصمیم های سرمایه گذاری مناسب، نیازمند اطلاعاتی هستند که آنها را در گرفتن بهترین تصمیم یاری رساند. در میان اطلاعات موجود، اطلاعات مربوط به سود پیش بینی شده هر سهم از نظر استفاده کنندگان با اهمیت تلقی می شود. از طرفی شرکت ها برای جذب سرمایه گذاران سعی می کنند سود هر سهم را با بیشترین دقت پیش بینی کنند. بنابراین، مقاله حاضر به دنبال ارائه مدلی جهت بهبود پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رویکرد های نوین هوش مصنوعی است. برای این منظور ابتدا عوامل مؤثر بر سود هر سهم سال آتی از پژوهش های داخلی و خارجی استخراج شد، سپس با استفاده از اطلاعات مالی شرکت های نمونه در بازه زمانی سال های 1384 تا 1391 و به کارگیری روش ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، مدلی هایی جهت پیش بینی سود هر سهم طراحی گردید. مدل ماشین بردار پشتیبان توانست سود هر سهم سال آتی شرکت های نمونه را با میزان خطای مطلوب 5 درصد پیش بینی کند. این مدل سود هر سهم سال جاری را با ضریب تأثیر 25 درصد به عنوان مؤثرترین متغیر برای پیش بینی سود هر سهم آتی معرفی می کند. همچنین نتایج نشان می دهد که مدل ماشین بردار پشتیبان در مقایسه با مدل شبکه های عصبی مصنوعی عملکرد مشابهی دارد.

تأخیر در تأمین نفت گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به دنبال دارد؛ بنابراین پیش بینی دقیق تقاضای نفت گاز بسیار مهم است. استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود که برای رسیدن به مناسب ترین ساختار شبکه های عصبی مصنوعی راه حل مطمئنی نیست. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب ترین ساختار شبکه های عصبی مصنوعی به منظور پیش بینی تقاضای نفت گاز در استان هرمزگان مشخص می شود. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تغییر میانگین مربع خطای شبکه حدود 41% و سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. همچنین نتایج نشان می دهد که شبکه های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده اند، نسبت به سایر شبکه ها عملکرد بهتری دارند. Asbstract The delay in the supply of gasoil has wide Consequences of political, social and economic. Therefore, the gasoil demand forecasting is very important. The use of artificial neural networks in forecasting has many applications. Appropriate design of ANN parameters enhances performance and accuracy of the neural network model. Trial and error method is used to setting the ANN parameters in the most of studies. Trial and error method is not a reliable solution to achieve the best ANN structure. In the present study, the optimum structure of ANN to forecasting the demand of gasoil in the province of Hormozgan determined by Taguchi experimental design method. Analysis of variance (ANOVA) of the ANN parameters indicates that contribution of the number of neurons in first hidden layer to the changes in the network mean square error (MSE) is about 41% and contribution of the learning algorithm is about 27%. Also, the results of this study show that artificial neural networks are designed using Taguchi experimental design method have better performance than other Networks. Keywords: Forecasting; Gasoil; Artificial Neural Networks; Taguchi Experimental Design Method

علاقه مندی زیادی در زمینه "اقتصاد رفتاری" وجود دارد که تلاش می کند با دیدگاه های دیگر علوم اجتماعی، به ویژه روانشناسی به منظور غنی سازی مدل اقتصادی استاندارد، ترکیب شود. این علاقه به روانشناسی اساسی رفتار انسان، اقتصاد را به اولین پایه هایش بازمی گرداند. محققین مانند آدام اسمیت در مورد مفاهیم کلیدی مانند بی میلی، اعتمادبه نفس و خود کنترلی صحبت کردند. با این وجود، نسخه جدیدی از اقتصاد رفتاری در دهه 1980 معرفی شد که برخی از اقتصاددانان با آن مخالفت کردند و ترجیح دادند که مدل استاندارد نئوکلاسیک را حفظ کنند. آنان استدلال های زیادی را بیان کردند که چرا روانشناسی به راحتی می تواند نادیده گرفته شود. در این مقاله نشان داده می شود که این استدلال ها، از لحاظ نظری و تجربی رد شده اند. رویکرد جدید به اقتصاد باید شامل دو نوع نظریه باشد: مدل های هنجاری که راه حل بهینه برای مشکلات خاص را مشخص می کنند و مدل هایی که نشان می دهند انسان ها چگونه رفتار می کنند. نظریه دوم برخی از متغیرهایی را که به طور مؤثری نامعقول می نامیم، ترکیب خواهند کرد. با اضافه کردن عواملی مانند ساخت یا وسوسه می توان قدرت توضیحی مدل های اقتصادی را بهبود بخشید.

در این پژوهش ضمن نگاه بر سیر تکامل ادبیات پیش بینی درماندگی مالی، به ارائه یک مدل یادگیری عمیق پرداخته شده است. در این روش به شکلی مراحلی که روش های پیشین برای پیش بینی درماندگی طی کرده اند،  کوتاه تر و خودکارتر شده است. در نهایت، به مقایسه دقت پیش بینی مدل توسعه داده شده با مدل های پیشین در این حوزه پرداخته شده است. در این پژوهش یک شبکه عصبی پیچشی به عنوان یک مدل یادگیری عمیق که داده های 14 متغیر مرتبط با پیش بینی درماندگی مالی را در طول 3 سال متوالی واکاوی می کند، برای پیش بینی درماندگی مالی مورداستفاده قرار گرفته است.بدر این راستا، به منظور جلوگیری از خطاهای احتمالی تعمیم پذیری، از روش K-fold برای نمونه گیری فرعی استفاده شده است که داده های 300 نمونه را مورد بررسی قرار می دهد. در نهایت، با استفاده از آزمون ناپارامتریک Wilcoxon به بررسی معنی دار بودن اختلاف دقت پیش بینی ارائه شده میان مدل توسعه داده شده و مدل های پیشین پرداخته شده است. نتایج این پژوهش نشان می دهد مدل شبکه عصبی پیچشی به شکل معنی داری در سطح اطمینان 95 درصد مدل های پیش بینی درماندگی سابق از جمله رگرسیون لجستیک و ماشین بردار پشتیبان را در دقت پیش بینی شکست می دهد.