-
حرية الوصول المقاله
1 - The Relationship between Risk and Return on Financial Assets (The Panel Vector Auto-Regression and Panel Cointegration Ap-proaches)
Sorena Morovat Afshin BaghfalakiIn this study, considering the necessity and importance of the relationship between risk and return on investment, some explanations were presented about the relationship between risk and return on the asset portfolio including gold, exchange and stocks during the perio أکثرIn this study, considering the necessity and importance of the relationship between risk and return on investment, some explanations were presented about the relationship between risk and return on the asset portfolio including gold, exchange and stocks during the period 2001: 1 - 2018: 3 using panel vector auto-regression (PVAR) method and Kao and Pedroni panel cointegration approach and pooled mean group (PMG) method and Engel-Granger time series methods. The software used in this study involves EVIEWS 10 and STATA15. In this study, multivariate GARCH (M-GARCH) approach (BEKK) was used to extract portfolio risk. The results showed a positive relationship between risk and return based on PVAR approach. And also, given the beta coefficient of the CAPM equation, gold was the best inflation cover during the period under study, with a slight difference from the exchange rate. تفاصيل المقالة -
حرية الوصول المقاله
2 - پیش بینی قیمت با شبکه عصبی مصنوعی LSTM و مدل انتخاب سبد سهام داراییهای مالی و ارزهای دیجیتال
فرانک خونساریان بابک تیمورپور محمد علی رستگاریافتن راهکارهایی برای پیشبینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازارهای مالی میباشد. هدف از این پژوهش پیشبینی قیمت داراییهای مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپ أکثریافتن راهکارهایی برای پیشبینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازارهای مالی میباشد. هدف از این پژوهش پیشبینی قیمت داراییهای مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپس تشکیل سبد سهام بهینه با محاسبه میزان بازده، ریسک و معیار شارپ است. دادههای استفاده شده از آرشیو وبسایت بورس و اوراق بهادار تهران، وبسایت شبکه اطلاعرسانی طلا، سکه و ارز و همچنین وبسایت خرید و فروش ارزهای دیجیتال میباشد. سری زمانی قیمت داراییهای مورد بررسی طی سالهای 2017 تا 2020 میلادی است. همچنین برای ساخت مدل و تحلیل دادهها از زبان برنامهنویسی پایتون و نرمافزار گفی استفاده نمودیم. در پایان مشخص گردید که مدل شبکه عصبی LSTM قادر به پیشبینی قیمت داراییهای مالی با میزان خطای بسیار کم در هر دارایی میباشد و با توجه به میزان معیار شارپ بهدست آمده برای هر دارایی مالی و ماتریس همبستگی، سهام وبانک و سهام خبهمن 1 و همچنین ارزهای دیجیتال ترون، تتر و بیتکوین سهم بیشتری را در سبد سهام پیشنهادی به خود تخصیص میدهند. تفاصيل المقالة