درخت حوزه‌های تخصصی

سرایت تلاطم میان شاخص های مالی، حاکی از فرآیند انتقال اطلاعات میان بازارها می باشد. هنگامی که بازارهای مالی با یکدیگر مرتبط هستند، اطلاعات ایجاد شده در یک بازار، می تواند سایر بازارها را متاثر سازد. در این پژوهش برای بررسی سرایت تلاطم بین شاخص های صنعت سیمان، کاشی و سرامیک و شاخص شرکت های سرمایه گذاری از یک مدل FIGARCH چندمتغیره استفاده می شود. این مدل چندمتغیره توسعه ای از مدل BEKK می باشد که پارامتر حافظه بلندمدت (d) در آن لحاظ گردیده و آن را در طی فرآیند مدل سازی برآورد می نماید. وجود حافظه بلندمدت در بازده دارایی ها هم از جنبه های تئوریک و نیز از جهت کاربردی از اهمیت برخوردار است. دستیابی به این پارامتر، تحلیل گران بازارهای مالی را در شناخت نوع و ماهیت شوک های وارد شده به این بازار از نظر کوتاه مدت یا بلندمدت بودن آن کمک می کنند. در تحلیل نتایج تجربی، که از داده های روزانه دوره زمانی 01/06/1385 تا 01/06/1389استفاده می شود، سرایت از شاخص صنعت سیمان به شاخص کاشی و سرامیک و سرمایه گذار ی ها مشاهده شد که دربازدهی سهام کاشی و سرامیک این اثر به صورت دو طرفه مشاهده شد و از شاخص صنعت سیمان به شاخص کاشی و سرامیک این اثر بیشتر است. نتایج حاصل وجود اثر تقدم و تاخر و جریان اطلاعات در این دو سری زمانی را تایید می کرد. همچنین سرایت تلاطم از سهام سرمایه گذاری به کاشی و سرامیک و بالعکس نیز وجود داشت اما در مورد سهام صنعت سیمان و سرمایه گذاری هاصرفا سرایت یک طرفه از سمت سیمان مشاهده شد. مقایسه نتایج حاصل از تخمین مدل FIGARCH چندمتغیره با مدل GARCH چندمتغیره، حاکی از نزدیک بودن ساختار تحلیلی این دو مدل بود لیکن مدل FIGARCH چندمتغیره قدرت برازش و دقت بیشتری از سرایت تلاطم های بازده را فراهم می سازد که با تئوری های پایه اقتصادی مطابقت بیشتری داشت.

هدف تحقیق حاضر ارائه مدل پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به ­صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان می­دهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار تهران را دارا می­باشد. در پایان مقاله، بحث، نتیجه گیری، پیشنهادات کاربردی و نیز مواردی در خصوص ادامه و پی­گیری تحقیقات مشابه در آینده بیان شده است.

در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می دهد که شبکه های عصبی توانسته عملکرد بهتری را در پیش بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می دهد که الگوریتم شبکه عصبی می تواند الگوریتمی قابل اتکا برای سهامداران باشد.

در مطالعه حاضر، با استفاده یک تابع توزیع غیرگوسی که توسط فیزیکدانی به نام کستینگ ارائه شده است به تجزیه و تحلیل رفتار بازار سهام در ایران پرداخته شده است. برای این منظور از اطلاعات روزانه بورس اوراق بهادار تهران از اول شهریور ماه 1381 تا آخر بهمن ماه 1389 پیشنهاد شده است. به منظور برآورد تابع توزیع کستینگ از روش بیزی و تکنیک شبیه سازی زنجیره مارکوف مونت کارلو استفاده شده است. نتایج به دست آمده وجود یک تابع توزیع غیرگوسی با دنباله آبشاری پهن و چوله به راست را تأیید می نماید، بنابراین با تکیه بر نتایج به دست آمده نمی توان احتمال وقوع بحران های غیرمنتظره در بازار سهام ایران را نادیده گرفت. همچنین این مطالعه تحت شرایط کنترل شده، فرضیه ثبات مجانبی توزیع کستینگ را مورد آزمون قرار داده است. نتایج به دست آمده نمی تواند فرضیه فوق را رد نماید، بنابراین با اعمال مدیریت هوشمند در برابر ریسک های موجود و ایجاد شفافیت بیشتر در بازار می توان به این امر دست یافت.

یکی از راه های تامین سرمایه برای سرمایه گذاری، انتشار اوراق قرضه و سهام از طریق بازار بورس می باشد. افراد در این بازار انتظار دستیابی به سود را دارند. اولین و مهم ترین عاملی که در اتخاذ سرمایه گذاری در بورس فراروی سرمایه گذار قرار دارد عامل قیمت سهام است که به تبع آن مقوله ارزیابی و پیش بینی قیمت آینده نیز مطرح می شود. فعالان در این بازار درصدد دستیابی و به کارگیری روش هایی هستند تا با پیش بینی آتی قیمت سهام، سود سرمایه خود را افزایش دهند.مطالعه حاضر با هدف پیش بینی قیمت پایانی سهام- مطالعه موردی شرکت فرآورده های نفتی پارس- با به کارگیری داده های روزانه در دوره زمانی 13/8/1388 تا 11/11/1389 از طریق دو روش شبکه عصبی مصنوعی و رگرسیونی ARIMAصورت پذیرفته است. نتایج به دست آمده به وسیله مدل شبکه عصبی دارای خطای کمتر، قدرت توضیح دهندگی بالاتر و در نتیجه پیش بینی بهتری را نسبت به روش رگرسیونی نشان می دهد.

پیش بینی جریان نقدی، یکی از مؤلفه های مهم تصمیم گیری اقتصادی به ویژه در حوزه سرمایه گذاری و اعتبارسنجی است. این مقاله به بررسی قدرت نسبی متغیرهای سود و جریان وجه نقد عملیاتی در پیش بینی جریان های نقدی عملیاتی آتی طی دوره های زمانی کوتاه مدت، میان مدت و بلندمدت می پردازد. برای این منظور، اطلاعات مستخرج از صورت های مالی 203 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره ده ساله (1384 تا 1393) مورد استفاده قرار گرفته است. در مدل رگرسیونی، تأثیرپذیری جریان های نقدی عملیاتی جاری (به عنوان متغیر جانشین جریان های نقدی عملیاتی آتی) از سود و وجه نقد عملیاتی یک، سه و پنج سال گذشته (به عنوان پیش بینی کننده) برآورد می شود. نتایج تحلیل رگرسیون نشان می دهد که سود و وجه نقد عملیاتی، توانایی پیش بینی جریان های نقدی عملیاتی آتی را دارند، اما قدرت پیش بینی آنها متفاوت است. به طوری که قدرت نسبی پیش بینی متغیر سود عملیاتی در مورد جریان های نقدی عملیاتی آتی بالاتر از قدرت نسبی پیش بینی توسط خود وجه نقد عملیاتی است. همچنین نتایج نشان می دهد که استفاده همزمان از سود و وجه نقد عملیاتی در پیش بینی، با نتایج بهتری همراه می باشد. افزون بر این، هر چه دوره زمانی برای پیش بینی افزایش یابد، میزان قدرت پیش بینی نیز افزایش خواهد یافت.

تصمیم گیری بهینه در بازارهای اوراق بهادار و سهام نیازمند برخورداری از ابزارها و فنون مناسب برای تحلیل و انتخاب بهترین گزینه های سرمایه گذاری است. در این بین صورت های مالی شرکت ها از جمله مهم ترین اطلاعات مالی برای تحلیل بنیادی سهام شرکت ها است. پژوهش حاضر با مبنا قراردادن اطلاعات بنیادی در صورت های مالی شرکت ها، تلاش نموده است تا اثر بخشی 10 مورد از مهم ترین نسبت های مالی را در پیش بینی بازده آتی و سود آتی 252 شرکت از 1380 ) در شرکت های بورس اوراق بهادار تهران که اطلاعات مالی آنها در یک دوره 6 ساله ( 1385)دسترس بوده است را آزمون نماید. یافته های پژوهش نشان داده است که نسبت های سود آوری و نسبت های فعالیت می توانند پیش بینی کننده مناسبی برای بازده آتی سهام در بورس اوراق بهادار تهران باشند . با این حال ارتباط معنی داری میان نسبت های مالی و سود آتی نشان داده نشده است که احتمالاً ناشی از هموار سازی سود در شرک ت های ایرانی است.

در این مطالعه نحوه اثرگذاری قیمت نفت و نوسان های قیمت نفت بر بازدهی بورس و نوسان های بازدهی بورس مورد بررسی قرار می گیرد. به این منظور از روش مارکوف- سوئیچینگ استفاده شده است. به منظور استخراج نوسان های قیمت نفت از سه روش فیلتر HP، مدل GARCH و مدل تحلیل موجک (Wavelet) استفاده شده است. بر اساس برآوردهای انجام شده روش تحلیل موجک نتایج دقیق تر و با جزئیات بیشتر نسبت به سایر روش ها دارد. نتایج نشان می دهد که افزایش قیمت نفت بر بازدهی بورس اثر معناداری ندارد و تنها باعث کاهش نوسان ها در بازدهی بورس خواهد شد، همچنین نوسان های قیمت نفت در مقیاس D1(t) اثر معنا داری بر بازدهی بورس ندارد اما نوسان های مقیاس D2(t) و D3(t) در شرایط رونق بازار اثر مثبت و معناداری بر بازدهی بورس دارد. به علاوه بر اساس، نتایج برآورد مدل ها ماتریس انتقال نیز نسبت به مقیاس بندی نوسان های قیمت نفت حساس بوده است.

تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت. در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.

سهام یکی از اجزای سبد دارایی مالی سرمایه گذاران می باشد. از این رو، شناخت عوامل تاثیرگذار بر ارزش این دارایی، مورد توجه سرمایه گذاران است. تغییرات قیمت سهام در بورس، تنها ناشی از عوامل درونی شرکت ها مانند سود تقسیمی، سود خالص و جریانات نقدی شرکت منتشرکننده سهام و ... نیست بلکه عوامل غیر درونی مانند متغیرهای کلان اقتصادی نیز تأثیر قابل توجهی بر تغییرات قیمت سهام دارند. صنعت خودرو در دنیا، یکی از راهبردی ترین صنایع می باشد و در ایران، بعد از صنعت نفت، بیشترین سهم را در تولید ناخالص ملی دارد. این تحقیق با هدف مطالعه رابطه بین قیمت سهام شرکت های گروه خودرو و ساخت قطعات پذیرفته شده در بازار بورس تهران و متغیرهای نرخ ارز و شاخص بهای مصرف کننده که مربوط به بخش پولی اقتصاد می باشند، انجام شده است. داده ها به صورت سالانه و برای دوره زمانی 1389-1383 بوده و با استفاده از روش داده های تابلویی، مورد تجزیه و تحلیل قرار گرفته اند. نتایج تحقیق نشان می دهد قیمت سهام این شرکت ها با نرخ ارز، رابطه مستقیم و معنی دار و با شاخص بهای مصرف کننده رابطه معکوس و معنی دار و با متغیرهای کنترل، سود تقسیمی و درآمد واقعی شرکت ها رابطه مستقیم و معنی دار دارد.