درخت حوزه‌های تخصصی

با توجه به تاثیرات درماندگی مالی شرکت ها بر گروه های ذینفع، همواره ارائه الگوهای پیش بینی درماندگی مالی یکی از جذاب ترین حوزه ها در تحقیقات مالی بوده است. در سال های اخیر و پس از رخ دادن بحران مالی جهانی، تعداد شرکت های ورشکسته افزایش یافته است. از آن جا که درماندگی مالی شرکت ها مقدمه ورشکستگی آنهاست، لذا استفاده از نسبت های مالی برای پیش بینی درماندگی مالی، مورد توجه هر چه بیشتر دانشگاهیان و هم چنین بنگاه های اقتصادی و نهادهای مالی قرار گرفته است. گر چه، در سال های اخیر در کشور ما نیز تحقیقات انجام شده بر روی پیش بینی درماندگی مالی شرکت ها رو به افزایش است، با این حال بیشتر تلاش های صورت گرفته به استفاده از روش های سنتی آماری معطوف شده و تنها در تعداد کمی از پژوهش ها از روش های ناپارامتری استفاده شده است. نتایج تحقیقات انجام شده در سال های اخیر حاکی از آن است که روش های یادگیری ماشینی عملکرد بهتری را نسبت به روش های سنتی آماری دارا می باشند. در این پژوهش از روش k نزدیک ترین همسایه برای پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1386-1384 استفاده شده است. نتایج حاکی از آن است که روش مذکور با دقت خوبی قادر به پیش بینی درماندگی مالی شرکت ها می باشد.

پیش بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاست گذاران اقتصادی کشورها دارد. در این مقاله ابتدا با استفاده از آزمون براک- دیکرت و شاینکمن (BDS)، به بررسی خطی یا غیرخطی بودن و سپس آشوبناک بودن بازده شاخص کل بورس اوراق بهادار تهران (TEPIX) طی بازه زمانی 05/01/88 تا 23/07/90 (625 مشاهده) پرداخته شد. سپس با استفاده از تکنیک های مختلف پیش بینی، مدل های خطی و غیرخطی ARIMA، GARCH، ANN و ANFIS برآورد شدند و با استفاده از معیارهای دقت پیش بینی مانند RMSE،MAE ، U-Thiel و MAPE، مدل ها مورد ارزیابی و مقایسه قرار گرفتند که مدل ANFIS بهترین عملکرد را در پیش بینی بازده روزانه شاخص سهام دارا بود. سپس با استفاده از آماره ی مورگان-گرنجر- نیوبلد (MGN) معنی داری تفاوت دقت پیش بینی مدل های غیرخطی با مدل های خطی مورد آزمون قرار گرفت که نتایج نشان دهنده تفاوت معنی-دار در پیش بینی روش های خطی و غیرخطی بود.

سیاست های پولی از مهمترین ابزارهای کلان اقتصادی بوده و آگاهی از چگونگی اثرگذاری آن ها گامی مهم در برنامه ریزی و توسعه ملی و منطقه ای محسوب می شود. در مطالعه حاضر تأثیر تکانه پولی بر قیمت سکه در ایران با استفاده از داده های سری زمانی موجود برای سالهای 1360-1390 مورد بررسی قرار گرفته است. در این راستا از تکنیک GARCH به منظور مدل سازی و محاسبه شوک پولی استفاده شد. همچنین با استفاده از الگوی ARDLرابطه بین متغیرهای تکانه های پولی، قیمت جهانی طلا، درآمد نفت و نرخ ارز با متغیر قیمت سکه در ایران مورد تجزیه و تحلیل قرار گرفت. نتایج به دست آمده نشان داد که در بلندمدت متغیر نرخ ارز اثر معکوس و متغیرهای تکانه پولی،قیمت جهانی طلا ودرآمدنفتی اثر مستقیم و معنی داری بر متغیر قیمت سکه در ایران دارند. لذا دولت با برنامه ریزی صحیح می تواند از بروز بحران و نکانه در معاملات بخصوص سکه وطلاجلوگیری نماید.

در این پژوهش روشی مبتنی بر تئوری مجموعه های راف و با استفاده از شاخص های تحلیل تکنیکی جهت پیش بینی قیمت سهام ارائه شده است. تئوری مجموعه های راف دارای مزایای متعددی است که مهمترین مزیت آن در تحلیل داده ها این است که به هیچگونه اطلاعات اضافی اولیه در مورد داده ها نیاز ندارد. در مدل پیشنهادی، تعدادی از شاخص های تکنیکال برای داده های مربوط به بانک صادرات ایران در طول یک سال محاسبه و به عنوان مشخصه های شرطی در جدول تصمیم مورد استفاده قرار گرفته و نوسان قیمت سهام در روز بعد نیز به عنوان مشخصه تصمیم انتخاب می شود. لازم به ذکر است که با استفاده از آنالیز ماتریس همبستگی، شاخص های با بیشترین همبستگی با مشخصه تصمیم انتخاب می گردند. سپس با استفاده از تئوری مجموعه های راف و ترکیب روش های مختلف گسسته سازی داده ها و تولید بی زائده بر اساس داده های یادگیری، قواعد پیش بینی استخراج و قدرت پیش بینی روش های مختلف بر اساس داده های کنترل محاسبه شد. در این مطالعه داده های شش سال متوالی (یعنی 05/05/1388 لغایت 24/04/1394 بانک صادرات مورد استفاده قرار گرفته است. بررسی قدرت پیش بینی این روش و مقایسه بازده حاصل از استفاده از آن و روش خرید و نگهداری، مزیت استفاده از مجموعه های راف را آشکار می نماید. مقایسه نتایج حاصل از اعمال روش ها بر روی داده های مربوطه نشان می دهد که بازده حاصل از استراتژی خرید و نگهداری 33 ریال و بازده حاصل از مدل 182 ریال به ازای هر سهم می باشد. همچنین استفاده از داده های سال های مختلف با روند قیمتی متفاوت به عنوان ورودی مدل و دستیابی به نتایج رضایت بخش، می تواند دلیلی امیدوارکننده برای استفاده از این روش و توسعه آن در پیش بینی قیمت سهام باشد.

ایران از جمله صادرکنندگان بزرگ نفت در جهان است که وابستگی زیادی به درآمدهای نفتی دارد. بنابراین اقتصاد ایران تحت تأثیر شوک های قیمت نفت قرار می گیرد که این شوک ها نفت می تواند بخش های مختلف اقتصاد ایران از جمله بازار بورس اوراق بهادار را تحت تأثیر قرار دهد. با توجه به اهمیت تغییرات قیمت نفت برای اقتصاد ایران، هدف این مقاله بررسی آثار نامتقارن شوک های قیمت نفت بر شاخص قیمت سهام بورس اوراق بهادار ایران است. در این تحقیق رابطه بین قیمت نفت و تغییرات آن با شاخص کل قیمت سهام بورس اوراق بهادار ایران در دوره زمانی تیر ماه 1379 تا آذر ماه 1389 بررسی شده و برای این منظور از روش خودرگرسیون برداری VAR ، توابع واکنش به ضربه و تجزیه واریانس خطای پیش بینی با سه متغیر کنترل نقدینگی، شاخص قیمت مسکن و قیمت سکه استفاده شد. بررسی آثار نامتقارن نوسانات قیمت نفت بر شاخص قیمت سهام نیز با استفاده از تعاریف مورک (1989) و همیلتون (1996) نشان دهنده این است که نوسانات قیمت نفت آثار نامتقارن بر شاخص قیمت سهام دارد و در هر دو تعریف، کاهش قیمت نفت نسبت به افزایش قیمت نفت، سهم بیشتری را در توضیح واریانس خطای پیش بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران دارد.

در تحلیل سری های زمانی اقتصادی، اغلب مشاهدات آماری، ظاهری تصادفی دارند؛ درحالی که بررسی دقیق تر این داده ها ممکن است سیستم معین و پیچیده ای را نشان دهد که دارای تابع جریان معین با یک رابطه ریاضی مشخص باشد. در مقاله حاضر، سری زمانی روزانه قیمت سکه تمام بهار آزادی در ایران طی دوره زمانی 10/8/1385 تا 9/11/1392 در نظر گرفته شده است. هدف، بررسی نظریه آشوب در قیمت سکه تمام بهار آزادی و قابلیت پیش بینی آن است. برای وجود روند معین یا تصادفی بودن سری زمانی از آزمون BDS، در سه مرحله استفاده شده است. نتایج تحقیق نشان می دهد که سری زمانی قیمت سکه، قابل پیش بینی است و فرض عدم وجود توابع غیرخطی در پسماند الگو های ARIMA و GARCH با استفاده از آزمون مذکور رد می شود. همچنین برای بررسی روند آشوبی در این سری زمانی، از آزمون حداکثر نمای لیاپانوف استفاده شده است که نتیجه این آزمون نشان می دهد داده ها دارای روند آشوبی می باشند؛ ازاین رو امکان وجود توابع غیرخطی در سری زمانی قیمت سکه پذیرفته شده و قابلیت پیش بینی قیمت آن تأیید می شود.

در این پژوهش، یک مدل پیش بینی براساس روش ماشین بردار پشتیبان تعدیل شده با استفاده از وزن دارکردن تابع جریمه مدل با توجه به حجم معاملات واقعی روزانه به منظور افزایش دقت پیش بینی نوسان های کوتاه مدت در بازار سهام و دست یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه بندی کننده ماشین بردار پشتیبان تعدیل شده، از یک روش انتخاب ویژگی هیبرید، مرکب از یک بخش فیلتر کننده و یک بخش پوشش دهنده به منظور انتخاب زیرمجموعه ای بهینه از ویژگی ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش بینی روند قیمت، یک استراتژی معاملاتی بر پایه نتایج مدل داده می شود. ورودی مدل چندین شاخص تحلیل تکنیکال و شاخص های آماری متعددی هستند که برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده اند. نتایج نشان می دهد که مدل ماشین بردار پشتیبان وزن دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، میزان دقت پیش بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی های رقیب، هم از لحاظ میزان بازده کلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه گذاری بهبود می بخشد.

یکی از مسائل مهم در پیش بینی درماندگی مالی، انتخاب متغیرهای پیش بین می باشد. پژوهش پیش رو به نشان رویکردی جدید برای انتخاب ویژگی با استفاده از دسته بندی نسبت های مالی بر مبنای مفاهیم مالی و ترکیب روش های آماری با الگوریتم های فراابتکاری می پردازد. بدین منظور 34 نسبت مالی برای شرکت های تولیدی درمانده براساس ماده 141 قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1380 تا1390با استفاده از صورت های مالی حسابرسی شده برای یک و دو سال قبل از درماندگی جمع آوری شده است. سپس با استفاده از آزمون آماری تی و الگوریتم ژنتیک، بهترین نسبت ها انتخاب و با استفاده از ماشین بردار پشتیبان، پیش بینی درماندگی مالی انجام شده است. نتایج بدست آمده از پژوهش حاکی از آن است که روش پیشنهادی هارک در یک و دو سال پیش از وقوع درماندگی به طور معناداری در پیش بینی درماندگی مالی نسبت به رگرسیون لجستیک و مدل آلتمن از عملکرد بهتری برخوردار است.

This paper investigates the nature of volatility characteristics of stock returns in the Bangladesh stock markets employing daily all share price index return data of Dhaka Stock Exchange (DSE) and Chittagong Stock Exchange (CSE) from 02 January 1993 to 27 January 2013 and 01 January 2004 to 20 August 2015 respectively. Furthermore, the study explores the adequate volatility model for the stock markets in Bangladesh. Results of the estimated MA(1)-GARCH(1,1) model for DSE and GARCH(1,1) model for CSE reveal that the stock markets of Bangladesh capture volatility clustering, while volatility is moderately persistent in DSE and highly persistent in CSE. Estimated MA(1)-EGARCH(1,1) model shows that effect of bad news on stock market volatility is greater than effect induced by good news in DSE, while EGARCH(1,1) model displays that volatility spill over mechanism is not asymmetric in CSE. Therefore, it is concluded that return series of DSE show evidence of three common events, namely volatility clustering, leptokurtosis and the leverage effect, while return series of CSE contains leptokurtosis, volatility clustering and long memory. Finally, this study explores that MA(1)-GARCH(1,1) is the best model for modeling volatility of Dhaka stock market returns, while GARCH models are inadequate for volatility modeling of CSE returns.

تاکنون به منظور طراحی مدلی مناسب برای پیش بینی بازده سهام، تلاش های بسیاری صورت گرفته است. یکی از قدیمی ترین این مدل ها، CAPM می باشد. به رغم مقبولیت نسبی، این مدل همواره به دلیل قدرت تبین کنندگی پایین و به استناد آزمون های تجربی متعددی مورد انتقاد قرار گرفته است. مدل سه عاملی فاما و فرنچ (1993) از موخرترین مدل های ارائه شده در این حوزه است. پس از ارائه این مدل، محققین دیگری سعی کرده اند با افزودن عامل (عوامل) دیگری به این مدل، قدرت توضیح دهندگی آن را افزایش دهند که معروف ترین آنها مدل چهار عاملی کارهارت می باشد که عامل مومنتوم را به مدل سه عاملی افزوده است. تحقیقات بعدی، عامل نوسان پذیری را مورد توجه قرار دادند. تحقیق حاضر در پی آزمون قدرت توضیح دهندگی مدل چهار عاملی است که با افزودن نوسان پذیری، کارکرد این مدل را در بورس اوراق بهادار تهران مورد بررسی قرار داده است. نمونه مورد بررسی شامل 95 شرکت در بازه زمانی 1381 تا 1390 می باشد. نتایج نشان می دهد، شرکت های بزرگ در مقایسه با شرکت های کوچک، شرکت های رشدی در مقایسه با شرکت های ارزشی – برخلاف نتایج تحقیقات فاما و فرنچ (1993) – دارای بازدهی بالاتری می باشند. به علاوه، شرکت های دارای انحراف معیار بالاتر بازده در مقایسه با شرکت های دارای انحراف معیار پایین، بازدهی بالاتری دارند. همچنین، افزودن عامل نوسان پذیری به مدل سه عاملی موجب افزایش معنادار در قدرت توضیح دهندگی مدل سه عاملی می گردد. و نهایتا توان تبیین کنندگی مدل چهار عاملی، تحت تاثیر اثر صنعت قرار نمی گیرد.

در این مطالعه ویژگی های حافظه بلندمدت همراه با شکست های ساختاری بازده شاخص قیمت بورس اوراق بهادار تهران مورد مطالعه قرارگرفته است. برای این منظور نخست با استفاده از روش های نیمه پارامتریک و ناپارامتریک ویژگی های حافظه بلند مدت سری زمانی مورد مطالعه در سه بازه زمانی منتهی به مهرماه 1392 بررسی شده است. نتایج حاصل از این آزمون ها حافظه بلندمدت بودن بازده بورس را برای هر سه بازه زمانی تایید می کنند. با این حال، نتایج مطالعات اخیر نشان می دهند که شواهد حافظه بلندمدت به دست آمده از آزمون های نامبرده می تواند بهعلت شکست های ساختاری موجود در سری زمانی باشد نه بهسبب وجود وابستگی های بلندمدت در آن. بنابراین همراه بامطالعه حافظه بلندمدت از آزمون شیموتسو (2006) برای بررسی صحت پارامتر حافظه بلندمدت در مقابل شکست ساختاری استفاده کرده ایم. نتایج به دست آمده از این آزمونشواهد قوی از (d)I نبودن فرآیند تولید دادهها ارائه می دهد. این نتیجه توسط آزمون اسمیت (2005) نیز مورد تائید قرار می گیرد. نتایج این آزمون نشان می دهد که برخلاف مطالعات پیشین ویژگی حافظه بلندمدت بازده شاخص قیمت بورس، حساسیت بسیاری به دوره های زمانی مورد مطالعه دارد و باید در استنباط ویژگی های حافظه بلندمدت هنگام وجود شکست ساختاری یا تغییر رژیم در سری یادشده دقت کرد. علاوه بر این موارد، احتمالاً تغییر تعاریف و محاسبات شاخص های بورس در طول زمان سبب شکست ساختاری یا انتقال سطح در این شاخص ها و سری های زمانی مرتبط با آنها خواهد شد که باید این تغییرات در تمامی مطالعات شامل سری های زمانی مورد اشاره (اعم از شاخص، بازده و نوسانات) مدنظر قرار گیرد، زیرا عدم لحاظ آنها سبب بروز خطا در نتایج نهایی خواهد شد. به عنوان نمونه، نتیجه حاصل از آزمون حافظه بلندمدت بازده تعدیل شده نسبت به تغییر تعریف شاخص TEPIX نشان می دهد که برخلاف نتایج مطالعات پیشین، سری زمانی بازده شاخص قیمت بورس فاقد حافظه بلندمدت (در بازه مورد مطالعه) است.

هدف پژوهش حاضر مشخص کردن خصوصیات جریان های نقدی و اقلام تعهدی عادی و غیرعادی در زمینه پیش بینی جریان های نقدی و سود آتی است. در این راستا، چهار فرضیه تدوین و برای آزمون این فرضیه ها با استفاده از مدل جونز (1991) و مدل جیان مینگ (2007) هر یک از جریان های نقدی و اقلام تعهدی به دو بخش عادی و غیرعادی تفکیک شد و توانایی این اجزاء در پیش بینی جریان های نقدی و سود آتی تجزیه وتحلیل شد. نتایج آزمون نمونه پژوهش شامل 51 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره 1381 تا 1391 نشان دادند، توانایی جریان های نقدی عادی از جریان های نقدی غیرعادی در پیش بینی جریان های نقدی و سود آتی بیشتر است و توانایی اقلام تعهدی عادی از اقلام تعهدی غیرعادی در پیش بینی جریان های نقدی آتی کمتر و در پیش بینی سود آتی بیشتر است.

یکی از گزینه های موجود جهت سرمایه گذاری نقدینگی، بورس و اوراق بهادار می باشد. با توجه به ارتباطات غیرخطی موجود میان متغیرهای موثر بر قیمت سهام، شبکه های عصبی مصنوعی یکی از مناسب ترین رویکردهای موجود جهت پیش بینی قیمت سهام می باشند. در این مقاله سعی شده تا از طریق ترکیب نگاشت های آشوبی و الگوریتم رقابت استعماری، زاویه حرکتی مستعمرات به سمت استعمارگر اصلاح شده و به این ترتیب احتمال قرارگیری در دام نقطه بهینه محلی تا حد ممکن کاهش یابد. هدف این مقاله معرفی و مقایسه عملکرد رویکرد پیشنهادی با سایر الگوریتم های بهینه سازی جستجوی پیشین می باشد. از اینرو با استفاده از اطلاعات قیمتی روزانه سهام شرکت ایران خودرو بین سال های 1389 تا 1395 به آموزش شبکه عصبی با الگوریتم های بهینه سازی مختلف پرداختیم. جهت ارزیابی میزان عملکرد رویکردها، از سه دیدگاه: میزان دقت پیش بینی(آماره های اندازه گیری خطاR2,RMSE)، میزان حافظه مصرفی و زمان اجرایی استفاده شد، نتایج حاکی از آن است که رویکرد پیشنهادی از عملکرد بهتری نسبت به سایر رویکردهای پیشین برخوردار می باشد.

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل های مختلف شبکه های عصبی پیش بینی شده است. تحقیق از نوع کاربردی است و دوره زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل WDBP از موجک db5 برای نویززدایی داده ها و تا پنج مرحله صورت گرفته است. جذر میانگین مربعات خطا (RMSE) معیارِ ارزیابی برای سنجش خطای پیش بینی است. نتایج این تحقیق نشان می دهد، عملکرد شبکه عصبی موجکی در پیش بینی شاخص سهام سطح خطای کمتری دارد و از شبکه عصبی بهتر است.

مؤسسات مالی خصوصا بانک ها بنا بر الزامات قانونی کمیته ی بازل، برای تعیین میزان سرمایه ی احتیاطی خود می بایست پیش بینی های چنددوره ای (Multi-Period) از ارزش در معرض ریسک سبد دارایی های خود داشته باشند. لذا یافتن مدل های کارآمد در تخمین ارزش در معرض ریسک چنددوره ای (یا چندروزه) برای مدیران ارشد ریسک و علی الخصوص مدیران ریسک مالی از اهمیت بالایی برخوردار است. این مقاله به بررسی و مقایسه ی عملکرد روش های پارامتری، ناپارامتری و نیمه پارامتری در پیش بینی ارزش در معرض ریسک چنددوره ای برای سبد سرمایه گذاری شده در بورس اوراق بهادار تهران می پردازد. نتایج به دست آمده نشان می دهد که روش مرسوم تبدیل مقیاس زمان (قاعده ی جذر زمان) در اکثر افق های زمانی و در بین تمامی مدل های مورد بررسی، عملکرد خوبی ندارد. همچنین مدل های پارامتری در مقایسه با روش های ناپارامتری زیان انباشته ی بزرگتری را برای سبد دارایی ها نتیجه داده و در مقابل هزینه ی فرصت کمتری را به منابع بنگاه تحمیل می کنند.