درگذشته مطالعات برعوامل تاثیر گذار بر معاملات بلوکی شرکت‌ها متمرکز بوده اند، در حالی که ارزش‌گذاری معاملات بلوکی برای اولین بار با استفاده از مدل یادگیری عمیق Rnn ، انجام شده است.ارزش‌گذاری معاملات بلوکی کمک می‌کند تا بتواند ترکیب مناسبی از سهام بلوکی را برای به حداکثر رساندن بازده در افق موردنظر انتخاب کند.هدف این پژوهش بررسی اطلاعات حاصل ازگزارش‌های مالی شرکت‌های پذیرفته شـده دربـورس اوراق بهادارتهران درقالب 15 شاخص مالی و یافتن میزان تاثیر آن شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون rmse بر روی داده‌های موردمطالعه می باشد. بدین منظورازاطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفتـه شـده درسـازمان بـورس اوراق بهادارتهران برای دوره زمانی 1390تا1400 استفاده شده است.نتایج نشان می دهد پیش‌بینی ارزش‌گذاری معاملات بلوکی باعث تمرکز بر بلوک‌هایی با اندازه بزرگتر به عنوان معیار اندازه گیری منافع خصوصی، می‌تواند معاملاتی که صرفاً عملیات مالی و با هدف سوددهی هستند را تحت تاثیر قرار ‌دهد و انگیزه ی نهفته خریدار بلوک برای رسیدن به کنترل و منافع مالی یا استراتژیک را شناسایی کندو قابلیت اجرایی داشته باشد. تفاصيل المقالة

در این مطالعه، یک روش ترکیبی کاپولا نوسانات تصادفی مبتنی بر زنجیره مارکوف مونت‌کارلو، برای ارزیابی نوسانات نهفته شاخص بورس اوراق بهادار توسعه داده‌شده است. روش پژوهش حاضر توصیفی از نوع همبستگی می‌باشد. داده‌های مورداستفاده به‌منظور تخمین مدل‌ها شامل مقادیر شاخص کل بورس تهران از ابتدای سال 1399 تا ابتدای سال 1400 به‌صورت روزانه در تواتر 30 دقیقه‌ای می‌باشد. همچنین به‌منظور تعیین خطا از داده‌های تاریخ (07/01/1400) الی (30/09/1400) در تواتر 15 دقیقه‌ای استفاده‌شده است. در مطالعه حاضر توزیع لگاریتم مربعات بازده به‌عنوان معیاری از نوسانات تحقق‌یافته با استفاده از مدل نوسان تصادفی جهت به‌دست آوردن نوسانات نهفته شبیه‌سازی‌شده و سپس با به‌کارگیری آمیخته‌ای از توزیع‌های خانواده کاپولا و زنجیره مارکف مونت‌کارلو مدل‌سازی و تخمین در فاز آموزش صورت پذیرفت و درنهایت در فاز آزمون با استفاده از داده‌های برون نمونه جهت تخمین مدل نوسانات تصادفی فاز آزمون بررسی گردید. نتایج نشان می‌دهد که از بین توابع کاپولای گامبل، گالامبوس، جو، کلایتون و فرانک در فاز آزمون، 3 کاپولای گامبل، گالامبوس، جو عملکرد قابل قبولی داشته و ازاین‌بین مدل نوسان تصادفی-گامبل کاپولا مبتنی بر MCMC با کمترین میزان خطا در بین داده‌های برون نمونه عملکرد بهتری را ثبت کرده است. تفاصيل المقالة

هدف این مقاله بررسی الگوهای رفتاری سرمایه گذاران در زمان نزول های اساسی بورس اوراق بهادار تهران در چارچوب مدل عامل ناهمگن و بهینه سازی الگوها با استفاده از الگوریتم ژنتیک می باشد. در ابتدا با توجه به مبانی نظری، نزول های اساسی در بورس اوراق بهادار تهران بر اساس سه معیار روند شاخص، ارزش معاملات روزانه و ارزش کل بازار مشخص گردید بر این اساس از سال 1380 تا سال 1394 سه نقطه شکست و نزول اساسی تعیین شد: ریاست جمهوری مربوط به انتخاب دولت نهم در سال 1384، بحران مالی غرب در سال 1387 بالاخره نزول دامنه دار بازار پس از ریاست جمهوری مربوط به دولت یازدهم و توافق اولیه هسته ای. با توجه به مدل عامل ناهمگن بروک و هومز و اصلاحات بعدی آن قیمت های بازار و بنیادی 40 روز قبل و بعد از نزول های اساسی تعیین و کد نویسی و شبیه سازی با استفاده از نرم افزار متلب انجام گردید و پس از آن با تولید پارامترهای اصلی، عامل های رفتاری فرا اعتمادی و احساسات بازار اعمال گردیده و میزان تطبیق خروجی شبیه سازی با داده های بازار واقعی مورد بررسی، آزمون و تحلیل قرار گرفت و بهترین استراتژی سرمایه گذاری انتخاب و با استفاده از الگوریتم ژنتیک بهینه سازی شد نتایج پژوهش نشان می دهد که مدل عامل ناهمگن، استراتژی دنبال کنندگان روند متضاد را به صورت مناسبی پیش بینی می نماید و همچنین با استفاده از الگوریتم ژنتیک می توان انحراف معیار و میانگین ضرایب استراتژی های سرمایه گذاری را بهبود داده و تعداد تطبیق با داده های بازار واقعی را افزایش داد . تفاصيل المقالة

هدف: در غالب پژوهش‌های پیشین در ایران و سایر کشورهای دیگر توانمندی سیستم‌های هوشمند در پیش‌بینی متغیرهای اقتصادی و مالی به‌ویژه قیمت سهام تأیید شده است، اما در ارزش‌گذاری معاملات بلوکی برای اولین‌بار محاسبه می‌گردد. هدف پژوهش حاضر بررسی نتایج رویدادها و اطلاعات از گزارش‌‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قالب 15 شاخص مالی و یافتن میزان تأثیرگذاری این شاخص‌ها بر ارزش‌گذاری معاملات بلوکی با استفاده از آزمون Rmse بر روی داده‌های Test موردمطالعه قرار گرفته است.روش‌شناسی پژوهش: بدین منظور از اطلاعات مالی 64 شرکت ازمجموعه شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادارتهران برای دوره زمانی 1390 تا1400 استفاده شده است. فرضیه‌ی تحقیق با بهره‌گیری از شبکه عصبی یادگیری عمیق مدل LSTM آزمون شده‌است.یافته‌ها: شبکة عصبی LSTM به جهت توانمندی بالا در آموزش داده‌ها و وزن‌های مناسب به این داده‌ها و خلق مسیری که با سرعت و دقت نتایج قابل‌قبولی جهت پیش‌بینی ارزش‌گذاری معاملات بلوکی دارد.اصالت / ارزش‌افزوده علمی: در مدل ارائه شده با اندازه‌گیری ارزش‌گذاری معاملات بلوکی، قیمت این معاملات، اثرات اطلاعات و نقدینگی معاملات با اندازه‌بزرگ را واپایش خواهیم نمود. تفاصيل المقالة