-
حرية الوصول المقاله
1 - نقش توسعه مالی در کارایی سیاست پولی ایران در تعیین تولید و تورم
سیده مریم منفرد تیمور محمدی محمد خضری اورانوس پریورهدف این مقاله بررسی تاثیر توسعه مالی بر کارایی سیاست پولی در ایران طی دوره زمانی 1399-1358 با رهیافت فیلتر- کالمن است. به این منظور، متغیر نسبت اعتبارات داخلی بانکها به تولید ناخالص داخلی به عنوان شاخص توسعه مالی مبتنی بر بخش بانکی و نسبت ارزش معاملات بازار سهام به تول أکثرهدف این مقاله بررسی تاثیر توسعه مالی بر کارایی سیاست پولی در ایران طی دوره زمانی 1399-1358 با رهیافت فیلتر- کالمن است. به این منظور، متغیر نسبت اعتبارات داخلی بانکها به تولید ناخالص داخلی به عنوان شاخص توسعه مالی مبتنی بر بخش بانکی و نسبت ارزش معاملات بازار سهام به تولید ناخالص داخلی به عنوان شاخص توسعه مالی مبتنی بر بازار سرمایه در نظر گرفته شدند. برای دستیابی به هدف 4 الگو معرفی با رهیافت فیلتر- کالمن برآورد شدند. نتایج برآورد دو الگوی اول نشان داد با بهبود شاخصهای توسعه مالی، کارایی سیاست پولی در اثرگذاری بر رشد اقتصادی کمتر خواهد شد. نتایج برآورد دو الگوی دیگر نیز نشان داد که تاثیر شاخصهای توسعه مالی بر کارایی سیاست پولی در اثرگذاری بر تورم منفی و از نظر آماری معنادار بوده است؛ بر اساس نتایج پیشنهاد میگردد سیاستگذار اقتصادی در ایران در بخشهای سپرده و وام آزادی عمل بیشتری را به بانکها بدهد تا بتوانند کارکرد مناسبتری در اقتصاد آزاد داشته باشند، هر چند این رفتار بازهم سبب تشدید بیثباتی و تغییرپذیری متغیرها میشود؛ اما میتواند کارکرد واقعی سیاست پولی را هم برای خانوار و هم برای تولیدکننده بهبود دهد. تفاصيل المقالة -
حرية الوصول المقاله
2 - بررسی اثر روابط اعطای تسهیلات بر هزینه مبادله تسهیلات بانکی: مطالعه موردی بانک کشاورزی
عباس عرب مازار مهرداد نعمتی امیر درویشیهدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و أکثرهدف از انجام این مطالعه، اندازه گیری اثر متغیر روابط اعطای تسهیلات بر هزینه مبادله (هماهنگی) اعطای تسهیلات بانکی در بانک کشاورزی و بررسی توالی اهمیت متغیرهای تاثیر گذار بر هزینه مبادله می باشد. هزینه های مبادله در کشورهای در حال توسعه به ویژه در بخش اعتباری بالا است و بالا بودن این هزینه باعث کاهش کارایی نظام بانکی و عملکرد آن می شود. داده های مورد استفاده در این مطالعه از طریق پرسشنامه که حاصل داده های ذهنی و تجربی افراد تکمیل کننده پرسشنامه ها می باشد به دست آمده است. در این مطالعه به منظور بررسی فرضیه های مطرح شده و مشخص کردن اهمیت متغیرهای تاثیر گذار بر هزینه مبادله، از روش شبکه عصبی مصنوعی استفاده شده است. یافته های مطالعه نشان می دهد که روابط اعطای تسهیلات، از طریق اثر گذاری بر سایر متغیر های موثر، منجر به کاهش هزینه مبادله در جهت اعطای تسهیلات شده و در نتیجه، بانک کشاورزی با تاکید بر این رویکرد می تواند کارایی اش را از طریق کاهش هزینه مبادله افزایش داده و از منابع مالی خود به صورت بهینه استفاده کند. The aim of this study is measuring the effect of lending relationship on transaction costs (coordination costs) in bank lending for agricultural bank and sequence analysis of factors which affects on transaction costs. Transaction costs in developing countries, especially in credit sectors are high and that high cost factor, leads to reduced the performance of the economy. The data used in this study were obtained through questionnaires and they were completed by people who has experienced about this issue. In this study, Artificial neural network method is used for raising hypothesis and identifying the variables affecting on transaction costs. This study suggest that the relationship lending, through the influence of other variables, leading to lower transaction costs for lending and, consequently, the Agricultural Bank can reduce its effectiveness through transaction costs and increase their financial resources optimally by emphasizing on this approach. Keywords: Lending Relationships, Transaction Cost, Coordination Cost, Artificial Neural Network Classification JEL: C13، C52, B41 تفاصيل المقالة -
حرية الوصول المقاله
3 - ارزیابی مدلهای خطی و غیرخطی در پیشبینی شاخص قیمت سهام در بورس اوراق بهادار تهران
علی اکبر خسروی نژاد مرجان شعبانی صدر پیشهباتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری أکثرباتوجه به تاثیر بازار بورس در تامین مالی و توسعه کشور، یافتن روشی مناسب برای پیش بینی بازار سهام اهمیت بسیاری دارد. به دلیل امکان وجود روابط غیرخطی در بازارهای مالی، هدف این مقاله، ارزیابی قدرت پیش بینی مدل های خطی و غیرخطی در بازار سهام است. ابتدا با استفاده از مدل سری های زمانی و شبکه عصبی مصنوعی[i]، متغیر هفتگی شاخص قیمت سهام در بورس اوراق بهادار تهران در سال های 83 تا 87 برآورد شده و سپس قدرت پیش بینی دو مدل در سال های 87 تا 89 آزمون شده است. نتایج، بیانگر عدم اختلاف معنی دار دو مدل می باشد [i]. Artifitial Neural Network تفاصيل المقالة -
حرية الوصول المقاله
4 - پیشبینی قیمت بنزین فوب خلیجفارس با استفاده از مدلهای ARIMA و ARFIMA
حمید آماده فرشید عفتی باران امین امینییکی از روش های مناسب در پیش بینی سری زمانی، تعمیم رفتار گذشته سری به آینده است. برای این منظور اولین قدم شناخت دقیق رفتار گذشته متغیر است. یکی از روش های الگوسازی رفتار گذشته سری زمانی مدل خود توضیح جمعی میانگین متحرک (ARIMA) است. در این پژوهش از مدلهای ARIMA و ARFIMA أکثریکی از روش های مناسب در پیش بینی سری زمانی، تعمیم رفتار گذشته سری به آینده است. برای این منظور اولین قدم شناخت دقیق رفتار گذشته متغیر است. یکی از روش های الگوسازی رفتار گذشته سری زمانی مدل خود توضیح جمعی میانگین متحرک (ARIMA) است. در این پژوهش از مدلهای ARIMA و ARFIMA برای پیش بینی قیمت هفتگی بنزین استفاده شد. همچنین پیش بینی مدل ARIMA با پیشبینی مدل خود توضیح کسری جمعی میانگین متحرک (ARFIMA) مقایسه شد. برای این منظور، از ابزارهای محاسباتی نرم افزار STATA12 و داده های سری زمانی قیمت بنزین فوب خلیجفارس از ابتدای سال 2009 تا هفته ۲۶ سال 2012 بهصورت هفتگی که از سایت اوپک دریافت گردید، استفاده شد. نتایج تحقیق نشان داد که مدل ARFIMA(6,0.22,6) نسبت به مدل ARIMA(1,1,0) مدل مناسب تری برای پیش بینی قیمت بنزین است و میزان خطای کمتری دارد. تفاصيل المقالة -
حرية الوصول المقاله
5 - مدلسازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدلهای پویا
ژیلا رستمی شهرام فتاحی کیومرث سهیلیچکیدهاز زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به پژوهش بر روی مدلهای پیشبینی قیمت سهام و بازده بازار تمرکز کردهاند. مدلهای پیشبینی آماری مانند ارما، اریما، آرچ، بهطور گسترده بکار برده شدهاند اما هیچکدام نتیجه مطلوب نداشتهاند؛ بنابراین ا أکثرچکیدهاز زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به پژوهش بر روی مدلهای پیشبینی قیمت سهام و بازده بازار تمرکز کردهاند. مدلهای پیشبینی آماری مانند ارما، اریما، آرچ، بهطور گسترده بکار برده شدهاند اما هیچکدام نتیجه مطلوب نداشتهاند؛ بنابراین اخیراً بسیاری از پژوهشگران بازار سهام را بهعنوان یک سیستم پویای غیرخطی در نظر گرفتهاند. کاربرد مدلهای غیرخطی و همچنین تکنیکهای پیشـرفته اگرچه سـالهای زیادی نیست که شروعشده است ولی در همین مدتزمان کـم توانسته است، جایگاه خود را در علوم مختلف باز کند. هدف از این مطالعه پیشبینی شاخص بورس با استفاده از مدل پویای میانگینگیری و نیز روش مدل پویای انتخابی و استفاده از دادههای فصلی سالهای 1380-1399 و بهکارگیری نرمافزار متلب میباشد. مزیت اصلی مدل مورداستفاده در مطالعه حاضر ورود تعداد زیادی متغیر مستقل به جهت پویایی آن است بدون اینکه مشکل معمول برازش بیشازحد در مدل ظاهر شود. در این مقاله اثر برخی متغیرهای کلان اقتصادی بر فرآیندِ مدلسازی و تخمین بازده سهام بورس اوراق بهادار بررسی شد. نتایج مقاله نشان داد که احتمال ورود متغیرهای رشد حجم پول، رشد شبه پول، تورم، رشد شاخص قیمت زمین درشهرهای بزرگ بیشتر از سایر متغیرهای ورودی است تفاصيل المقالة -
حرية الوصول المقاله
6 - ارائه مدل پیشبینی بازدهی بیتکوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)
سکینه صیادی نژاد علی اسماعیل زاده محمدرضا رستمیچکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی أکثرچکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژههای کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین، تفاصيل المقالة