-
حرية الوصول المقاله
1 - بررسی مفاهیم و مبانی پسنگری و مقایسه آن با پیشبینی و چشمانداز سازی
معصومه کاظمی حسن قرونه نفیسه کاظمی اعظم بابکی رادیکی از مهمترین اهداف آیندهپژوهی، توسعه دانش و درک مجموعه پیچیدهای از آیندههای ممکن و درنتیجه فراهم نمودن فرصتی برای ایجاد و بسط بهترین راهبردها برای رویارویی با چالشهای پیش رو است. درنتیجه، تصمیمگیری فعالانه و پیشنگرانه، تحت چنین شرایطی ایده آل خواهد بود. پسنگری أکثریکی از مهمترین اهداف آیندهپژوهی، توسعه دانش و درک مجموعه پیچیدهای از آیندههای ممکن و درنتیجه فراهم نمودن فرصتی برای ایجاد و بسط بهترین راهبردها برای رویارویی با چالشهای پیش رو است. درنتیجه، تصمیمگیری فعالانه و پیشنگرانه، تحت چنین شرایطی ایده آل خواهد بود. پسنگری به دلیل ماهیت هنجاری و تأکیدش بر آیندههای مطلوب و در نظر گرفتن شرایط عدم اطمینان، یکی از بهترین رویکردها برای رویارویی با این چالشهاست. تحقیق حاضر باهدف بررسی این رویکرد روبه رشد در حوزه آیندهپژوهی انجام شد. در این تحقیق، روند پیدایش پسنگری، انواع پسنگری و مراحل پسنگری توضیح داده شده است و بر روی رویکرد یا روش بودن پسنگری تأمل شده است و مروری اجمالی بر پیشبینی و روش چشم اندازسازی شده است و درنهایت بر اساس نگاهی فلسفی بر اساس سه محور کشف در برابر توجیه، عدم اطمینان در برابر جبرگرایی و غایتانگاری در برابر علیت، به مقایسه پسنگری با رویکرد غالب پیشبینی بهعنوان رویکردی متضاد و چشماندازسازی به عنوان روشی همجوار پرداختهشده است تا پنجرهای برای فهم تمایزات روش پسنگری با دیگر روشها فراهم آید تا راهنمای کاربرد این روشها در عمل باشد. تفاصيل المقالة -
حرية الوصول المقاله
2 - آینده نگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیش بینی شبکه عصبی مصنوعی مورد مطالعه: یک سازمان نظامی
محمد فلاح حمیده رشادت جوزمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانشآموختگان دانشگاههاست که دو مورد از اصلیترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی أکثرزمینه: از جمله مباحث اساسی در نظام آموزش عالی یک کشور، مبانی کیفیت عملکرد دانشجویان و دانشآموختگان دانشگاههاست که دو مورد از اصلیترین موارد هفتگانه در حوزه کیفیت در آموزش عالی را تشکیل داده و با دربرگرفتن مولفه-های متعدد، اهمیت فراوانی در ارتقای کیفیت نظام آموزش عالی هر کشور دارد و هرگونه ابهام در آن بهویژه در آموزش عالی نظامی که از حساسیت بالاتری برخوردار است باعث بوجود آمدن تبعات جبرانناپذیری خواهد شد. هدف: هدف اصلی این مقاله آیندهنگاری کیفیت عملکرد دانشجویانِ آموزش عالی نظامی با استفاده از الگوریتم پیشبینی شبکه عصبی مصنوعی است که در راستای آن مولفههای اصلی کیفیت عملکرد دانشجویان نیز مورد بررسی قرار گرفته است. روش: در این مقاله با استفاده از الگوریتم پیشبینی شبکه عصبی مصنوعی، آیندهنگاری کیفیت عملکرد دانشجویان در سه فاز یادگیری، اعتبارسنجی و آزمون شبکه عصبی به انجام رسید که جامعه آماری آن متشکل از اعضای هیأت علمی دانشگاه هوایی شهید ستاری، دانشجویان و دانشآموختگان این دانشگاه و نیز اعضای دفتر مطالعات راهبردی و پژوهشهای نظری نهاجا بود و با استفاده از ابزار مصاحبه نیمهساختارمند و پرسشنامه محقق ساخته به گردآوری اطلاعات پرداخته شد و نهایتاً از نرمافزار متلب برای مدلسازی شبکه عصبی استفاده گردید. یافتهها: با استفاده از الگوریتم شبکه عصبی مصنوعی، مدلی با دقت 5/85 % طراحی شد و مورد آزمون قرار گرفت. نتیجهگیری: با استفاده از الگوریتم شبکه عصبی مصنوعی و مدلسازی کیفیت عملکرد دانشجویان میتوان با دقت بسیار بالایی آیندهنگاری کیفیت عملکرد دانشآموختگان در سازمان نهاجا را تدوین نمود. تفاصيل المقالة -
حرية الوصول المقاله
3 - ارائه یک مدل جدید برای سناریو سازی تقاضای دستگاههای خودپرداز (مورد مطالعه : دستگاههای خودپرداز شهر تهران)
علیرضا آقا قلیزاده سیار محمد رضا معتدل علیرضا پور ابراهیمیدر دنیای رقابتی امروز توانایی شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار میرود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژ أکثردر دنیای رقابتی امروز توانایی شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار میرود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژگیهای مربوط به دستگاه های خودپرداز با توجه به زمان های مراجعه و مکان قرار گیری دستگاهها بررسی می گردد . این مقاله به دنبال یافتن مدلی پویا و کاربردی جهت سناریو سازی تقاضای دستگاههای خود پرداز می باشد . از این رو مورد کاوی بر روی ۳۷۸ دستگاه خودپرداز در سراسر شهر تهران در بازه زمانی یک ماه که شامل ۶۹۴۱۸ رکورد می باشد انجام گرفت . این مدل در نهایت با خوشه بندی داده های آماری در بعد زمانی و مکانی موفق به یادگیری الگوی موجود در داده های کلان شده و بر همین مبنای درخت تصمیم ارائه شده قادر به پیش بینی تعداد مراجعه کننده به هر دستگاه می باشد که پس از ارایه سناریو های ایجاد شده در جهت ارتقای کیفیت خدمات دهی بانکی و ارتقای عملکرد شبکه خودپردازها ترکیب بهینه مکانی دستگاههای خودپرداز در بعد مکانی و زمانی ارایه میگردد. تفاصيل المقالة -
حرية الوصول المقاله
4 - پیشبینی فناوری براساس متن کاوی اختراعات ثبت شده و تحلیل خوشهای (مورد مطالعه: فناوری فتوولتائیک)
زهره بیانلو حبیب زارع احمدآبادیامروزه از انرژی خورشیدی به شکلهای مختلفی استفاده میگردد؛ یکی از این موارد، فناوری فتوولتائیک میباشد. پدیده فتوولتائیک، پدیدهای است که طی آن انرژی خورشیدی به صورت "مستقیم" به انرژی الکتریسیته تبدیل میشود. یکی از مشکلات و دغدغههای اساسی دنیای امروز، پایان یافتن مناب أکثرامروزه از انرژی خورشیدی به شکلهای مختلفی استفاده میگردد؛ یکی از این موارد، فناوری فتوولتائیک میباشد. پدیده فتوولتائیک، پدیدهای است که طی آن انرژی خورشیدی به صورت "مستقیم" به انرژی الکتریسیته تبدیل میشود. یکی از مشکلات و دغدغههای اساسی دنیای امروز، پایان یافتن منابع سوخت فسیلی به عنوان مهمترین منبع فعلی انرژی دنیا است؛ به همین علت اخیرا انرژی خورشیدی به عنوان جایگزین سوختهای فسیلی مورد توجه قرار گرفته است. پیشبینی فناوری به صورت تشخیص زودرس پیشرفتهای نوید بخش آینده فناوری و ارزیابی پتانسیل (توانش) آنها تعریف میشود. محققین از روشهای متعددی برای پیشبینی فناوری استفاده میکنند که تجزیه و تحلیل اختراعات ثبت شده یکی از این موارد است. در این مقاله اختراعات بین المللی ثبت شدهی پایگاه ثبت اختراعات آمریکا (USPTO) در این حوزه در بازهی زمانی سالهای 1985 تا 2016 استخراج شد. سپس با استفاده از رویکردهای متنکاوی و خوشهبندی Two Step، نتایج نشان داد که خلاءهای تحقیقاتی در این حوزه از فناوری وجود دارد که مورد توجه قرار نگرفته است. در نتیجه خلاءهای تحقیقاتی و فرصتهای پژوهشی آتی برای محققان این فناوری شناسایی و ارائه شد. تفاصيل المقالة -
حرية الوصول المقاله
5 - استفاده از رویکرد مبتنی بر پیش بینی مالی واقتصاد سنجی نرم برای آینده پژوهی رفتار سیستم ها
نبی امیدیامروزه از روش های پیش بینی مبتنی بر اقتصاد سنجی نرم و همچنین روش های پیش بینی مالی در سیستم های مختلفی مورد استفاده قرار می گیرد، یکی از جنبه های استفاده از روش های پیش بینی ، استفاده از آن برای پیش بینی رفتار سیستم های جمل و نقل است. در این تحقیق با استفاده از آمار مصد أکثرامروزه از روش های پیش بینی مبتنی بر اقتصاد سنجی نرم و همچنین روش های پیش بینی مالی در سیستم های مختلفی مورد استفاده قرار می گیرد، یکی از جنبه های استفاده از روش های پیش بینی ، استفاده از آن برای پیش بینی رفتار سیستم های جمل و نقل است. در این تحقیق با استفاده از آمار مصدومان ترافیکی ارجاعی به پزشکی قانونی استان گلستان بین فروردین 1374 تا اسفند 1401 که در استان گلستان به پزشکی قانونی ارجاع شده اند و با استفاده از شبکه عصبی مصنوعی که یکی از پیشرفته ترین روش ها پیش بینی و آینده پژوهی در حوزه سیستم های سلامت است، به پیش بینی تعداد مصدومین برای 12 ماهه منتهی به سال 1402 پرداخته شده است. و همچنین دقت این روش با استفاده از میانگین درصد قدر مطلق خطا مورد سنجش قرار گرفته است. نتایج تحقیق نشان داد که شبکه عصبی مصنوعی با 12 ورودی یک خروجی و 5 لایه پنهان مناسب برای پیش بینی مصدومین ارجاعی به پزشکی قانونیگلستان می باشد، مقادیر پیش بینی شده نشان داد تعداد مصدومان ترافیکی در استان گلستان در حال افزایش است.با توجه به دقت بالا شبکه عصبی مصوعی در این تحقیق می توان این روش را به عنوان مبایی برای آینده پژوهی در تصادفات قرار داد. روند صعودی تعداد مصدومان ترافیکی استان گلستان نشان از لزوم باز بینی تصمیم گیری ها در حوزه حمل و نقل در این استان حکایت دارد. تفاصيل المقالة -
حرية الوصول المقاله
6 - بررسی ساختارهای فکری و مفاهیم کلیدی در آیندهپژوهی و ارائه چارچوب اجرای مطالعات آیندهپژوهی
اردشیر سیاح مفضلی علیرضا اسدیشناخت و آگاهی نسبت به آینده، رویایی است که از دیرباز تلاش افراد بسیاری را در طول تاریخ به خود معطوف داشته است که با کوشش متفکران دوره جدید برای پیوند میان شناخت علمی با رویای شناخت آینده، حوزه دانشی جدیدی با عنوان آینده پژوهی شکل گرفت. امروزه نگاه به آینده روز به روز در أکثرشناخت و آگاهی نسبت به آینده، رویایی است که از دیرباز تلاش افراد بسیاری را در طول تاریخ به خود معطوف داشته است که با کوشش متفکران دوره جدید برای پیوند میان شناخت علمی با رویای شناخت آینده، حوزه دانشی جدیدی با عنوان آینده پژوهی شکل گرفت. امروزه نگاه به آینده روز به روز در حال تکامل است و آیندهپژوهی به عنوان یک علم درجه دوم با نظریهها، مکاتب و پارادایمهای جدید نوعی رویکرد تکاملی را به مولفهها و ابعاد مختلف آینده فراهم کرده است. سالها است که تلاشهای مختلفی در دنیا در این حوزه انجام شده است و ابزارهای گوناگونی برای شناخت و شکلدهی به آینده تدوین و بکارگرفته شدهاند و بارها در مطالعات مختلف جهانی مورد آزمون واقع شدهاند. این حوزه اگرچه به عنوان یک رشته دانشگاهی نسبت به برخی دیگر از حوزهها دیرتر ظهور کرده است اما بسیار فراگیر شده است. در این مقاله نگارندگان تلاش دارند تا با مرور ساختارهای فکری این حوزه، مفاهیم کلیدی آن را مورد بحث و بررسی قرار دهند. از آنجمله میتوان به مفاهیمی همچون آرمانشهرها و نحوه تحول و توسعه تفکر درباره آنها از قرن 16 میلادی تا کنون، رابطه آیندهپژوهی با پیشبینی، مفهوم آیندههای بدیل در آیندهپژوهی، مولفهها و اجزای تشکیل دهنده آینده، وابستگی به مسیر و حال بسیط، ابزارها و روشهای آیندهپژوهی، اشاره کرد. در انتها تلاش شده است تا چارچوبی مفهومی از موضوعات کلیدی مطرح در آیندهپژوهی ارائه شود تا مسیری برای انتخاب مناسب استراتژیهای آیندهپژوهی فراهم شود و ارتباط علمی اجزای مختلف علم آیندهپژوهی نشان داده شود. نگاهی علمی به موضوع آیندهپژوهی، اقدامات و مطالعات این حوزه را اثربخش و خروجیهای آن برای کشور را کارآمدتر خواهد کرد. نیاز امروز شناخت و استفاده علمی و سیستماتیک از مفاهیم و روشهای آیندهپژوهی در مقابل پرداختن سطحی و عوامانه به آینده است تفاصيل المقالة -
حرية الوصول المقاله
7 - توسعه کابرد مدل های باکس جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی در پیش بینی و مدیریت پدیده های اجتماعی (مطالعه موردی: پیش بینی روند ازدواج و طلاق در استان ایلام)
محمدرضا امیدی نبی امیدی اردشیر شیری رحمت اله محمدی پورروشهای پیشبینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی وصحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق ب أکثرروشهای پیشبینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی وصحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق با استفاده از سری زمانی تعداد ازدواج و طلاق در استان ایلام بین سال های 1371 تا 1392 به پیش بینی این مقادیر با استفاده از مدل های باکس و جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی برای سال های آتی پرداخته شده است.نتایج تحقیق نشان داد که دقت پیش بینی مدل باکس جنکینز برای پیش بینی تعداد ازدواج و شبکههای عصبی برای پیش بینی تعداد طلاق بیشتر از سایر روش های پیش بینی است. مقادیر پیش بینی شده نشان داد که نسبت ازدواج به طلاق در استان ایلام بین سال های آتی 1393تا 1396 با شیب ملایم، به سمت کاهش حرکت می کند. تفاصيل المقالة -
حرية الوصول المقاله
8 - توسعه کابرد مدلهای باکس جنکینز، شبکه عصبی مصنوعی و تعدیل نمایی در پیشبینی و مدیریت پدیدههای اجتماعی (مطالعه موردی: پیش بینی روند ازدواج و طلاق در استان ایلام)
محمدرضا امیدی نبی امیدی اردشیر شیری رحمت اله محمدی پورروشهای پیشبینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی و صحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج ، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق أکثرروشهای پیشبینی و آینده پژوهی یکی از ابزارهای مهم در اختیار مدیران و کارشناسان برای اخذ تصمیمات راهبردی و صحیح است. با وجود توسعه روش های پیش بینی ، ولی کمتر به کاربرد این روش ها در پیش بینی پدیده های اجتماعی مانند ازدواج ، طلاق و رشد جمعیت پرداخته شده است.در این تحقیق با استفاده از سری زمانی تعداد ازدواج و طلاق در استان ایلام بین سال های 1371 تا 1392 به پیش بینی این مقادیر با استفاده از مدل های باکس و جنکینز ،شبکه عصبی مصنوعی و تعدیل نمایی برای سال های آتی پرداخته شده است.نتایج تحقیق نشان داد که دقت پیش بینی مدل باکس جنکینز برای پیش بینی تعداد ازدواج و شبکه های عصبی برای پیش بینی تعداد طلاق بیشتر از سایر روش های پیش بینی است. مقادیر پیش بینی شده نشان داد که نسبت ازدواج به طلاق در استان ایلام بین سال های آتی 1393تا 1396 با شیب ملایم، به سمت کاهش حرکت می کند. تفاصيل المقالة -
حرية الوصول المقاله
9 - روشهای پیشبینی بازارهای مالی در شرایط گسست ساختاری
فروزنده جعفرزاده پور امیر ناظمی علیرضا اسدیارائه پیشبینی از آینده بازارهای مالی بویژه آینده روند شاخصهای بازار بورس یکی از مباحث چالش انگیز پیشبینی است که بدلیل بروز گسست ساختاری در این روندها، با پدیده شکست پیشبینی در مدلهای پیشبینی مواجه شده است. در این مقاله رویکردهای مدل سازی پیشبینی بازده سهام به عنو أکثرارائه پیشبینی از آینده بازارهای مالی بویژه آینده روند شاخصهای بازار بورس یکی از مباحث چالش انگیز پیشبینی است که بدلیل بروز گسست ساختاری در این روندها، با پدیده شکست پیشبینی در مدلهای پیشبینی مواجه شده است. در این مقاله رویکردهای مدل سازی پیشبینی بازده سهام به عنوان یکی از روندهای اصلی بازار سهام، در شرایط گسستهای ساختاری، بررسی شده و رهیافتهایی که بر اساس آن میتوان در فضای عدم قطعیت عمیق، پیشبینی کرد، تحلیل شده است. با توجه به اینکه هدف از این مقاله، زمینهیابی تحقیقات گذشته و طرح حوزههای جدیدی برای تحقیقات آینده در مدل سازی پیشبینی بازار سهام بوده است، لذا از روش مطالعه کتابخانهای استفاده شدهاست. نتایج به دست آمده نشان میدهد که رویکردهای مدل سازی در شرایط گسست ساختاری در سه استراتژی اصلی دسته بندی میشوند؛ در استراتژی ایجاد محدودیت در پارامترهای مدل به کمک تفسیر به دست آمده از چارچوبهای نظری اقتصاد مالی، پارامترهای مدل تصحیح میشوند. در استراتژی جابهجایی رژیم به کمک زنجیرهای مارکوف، نقاط گسست در سری زمانی مدل سازی میشود. در استژاژی تلفیقی از تلفیق مدلهای کمی با دادههای پیمایشی، وضعیت بازار سهام پیشبینی میشود. این بررسی نشان میدهد برای پیشبینی بازار سهام بورس تهران در شرایط نااطمینانیهای محیطی، استراتژیهای ارائه شده می توانند زمینه مناسبی برای تحقیقات آتی باشند. تفاصيل المقالة -
حرية الوصول المقاله
10 - مدل سازی و پیش بینی تولید و مصرف برق در ایران
محمدرضا امیدی نبی امیدی حشمت اله عسگری میثم جعفری اسکندریبا توجه به رشد نسبتا بالای مصرف انرژی در کشور، آینده پژوهی در حوزه انرژی الکتریکی به عنوان یک نهاده واسطه ی مهم در تولیدات صنعتی و به عنوان یک کالای نهایی و ضروری در بخش خانگی و تجاری، از الزامات نهادهای اجرایی کشور در زمینه تولید و مصرف برق می باشد. بررسی و پیش بینی أکثربا توجه به رشد نسبتا بالای مصرف انرژی در کشور، آینده پژوهی در حوزه انرژی الکتریکی به عنوان یک نهاده واسطه ی مهم در تولیدات صنعتی و به عنوان یک کالای نهایی و ضروری در بخش خانگی و تجاری، از الزامات نهادهای اجرایی کشور در زمینه تولید و مصرف برق می باشد. بررسی و پیش بینی تقاضا و تولید برق فاکتوری ارزشمند در دست مدیران صنعت برق برای اخذ تصمیمات راهبردی است. در این تحقیق با استفاده از سری زمانی تولید و مصرف برق بین سال های 6449 6491 و به کارگیری مدل های پیش بینی باکس جنکینز ، شبکه عصبی مصنوعی و سیستم خاکستری که از - پرکاربرد ترین روش های استفاده شده در مطالعات برای پیش بینی تقاضا و مصرف انرژی می باشند، علاوه بر میزان پیش بینی برای سال های آتی با استفاده از معیار میانگین درصد خطا دقت روش های پیش بینی نیز مورد مطالعه قرا گرفت. نتایج تحقیق نشان داد که روش باکس جنکینز بالاترین دقت را در پیش بینی تولید برق در کشور و شبکه عصبی مصنوعی بالاترین دقت در پیش بینی مصرف برق در کشور دارد. مقادیر پیش بینی شده نشان داد که نسبت تولید به مصرف برق در سال ها آتی تقریبا ثابت با میل کاهنده خواهد بود، میزان تولید برق در ایران در سال 6441 به 461194 میلیون کیلو وات برساعت و مصرف برق نیز به 911192 میلیون کیلو وات بر ساعت خواهد رسید، که می توان با اصلاح الگوهای مصرف و استفاده از روش های نوین تولید نسبت تولید به مصرف را افزایش داد. تفاصيل المقالة -
حرية الوصول المقاله
11 - پیش بینی منابع نقدینگی بانک ها (مطالعه موردی بانک اقتصاد نوین)
دکتر احمد یزدان پناه زهرا عباسی پشتهانیمدیریت نقدینگی یکی از مهمترین وظایف مدیریت مالی بنگاه اقتصادی است و درمورد مؤسسات مالی و اعتباری خصوصاً بانکها اهمیت آن افزون می شود. بانکها به دلیلاهمیت کاری خود نیازمند نگهداری بخشی از دارایی های خود به شکل نقد به منظورپاسخگویی به مراجعان و صاحبان سپرده می باشند، که ه أکثرمدیریت نقدینگی یکی از مهمترین وظایف مدیریت مالی بنگاه اقتصادی است و درمورد مؤسسات مالی و اعتباری خصوصاً بانکها اهمیت آن افزون می شود. بانکها به دلیلاهمیت کاری خود نیازمند نگهداری بخشی از دارایی های خود به شکل نقد به منظورپاسخگویی به مراجعان و صاحبان سپرده می باشند، که همین موضوع هزینه های فرصتیبرای آن دارایی به وجود می آورد، به بیان دیگر نگهداری وجوه نقد در حسابهای جاری،بانک مرکزی، نزد سایر بانکها و ذخایر قانونی ریسک نقدینگی بانک را کاهش می دهد ودر عین حال فرصت های سرمایه گذاری را نیز از بانک سلب می کند و موجب کاهشبازدهی بانک می گردد.از این رو در تحقیق حاضر در پی طراحی مدلی هستیم تا میزانوجوه نقدی که در حسابهای جاری، بانک مرکزی، نزد سایر بانکها و ذخایر قانونینگهداری می شوند و در مجموع نیز نقدینگی بانک نامیده می گردد، را برای بانک اقتصادنوین پیش بینی نماید. در این راستا از پیش بینی بر مبنای جریان نقدی ورودی طی یکدوره زمانی استفاده نموده ایم تا با توجه به اهداف و استراتژیهای بانک به مقایسه آنپرداخته و برنامه ریزی برای جبران کسری یا مصرف مازاد به منظور رسیدن به تعادلنقدینگی در پایان دوره به وجود آید. در این روش حساب جاری، حساب بین بانکها وصندوق در مجموع به عنوان نقدینگی در نظر گرفته شده اند. برای برازش از مدلARIMA[1] و نرم افزار minitab استفاده نمودهایم. در نهایت با مدل مذکور برای 52 هفته آینده پیشبینی صورت گرفت و مشاهده گردید بانک با مازاد نقدینگی مواجه خواهد بود. تفاصيل المقالة -
حرية الوصول المقاله
12 - پیشبینی قیمت گاز طبیعی با استفاده از روشهای توسعهیافته مبتنی بر روش گری و تحلیل فرکتال
سعید امامی کوپائی شیوا زمانی علیرضا حیدرزاده هنزائی محمدرضا شاه نظریاهمیت پیشبینی قیمت حاملهای انرژی بر توسعه اقتصاد و صنعت، امروزه بر کسی پوشیده نیست. در این میان پیشبینی قیمت گاز طبیعی به عنوان یکی از حاملهای مهم انرژی میتواند ابزار مهمی در تصمیمگیری توسعه صنایع تلقی گردد. در این مقاله ضمن بررسی رفتار غیرخطی قیمت گازطبیعی در یک أکثراهمیت پیشبینی قیمت حاملهای انرژی بر توسعه اقتصاد و صنعت، امروزه بر کسی پوشیده نیست. در این میان پیشبینی قیمت گاز طبیعی به عنوان یکی از حاملهای مهم انرژی میتواند ابزار مهمی در تصمیمگیری توسعه صنایع تلقی گردد. در این مقاله ضمن بررسی رفتار غیرخطی قیمت گازطبیعی در یک بازه چندساله، با معرفی روشهای توسعهیافته گری و تلفیقی فرکتالی گری از آنها برای پیشبینی قیمت گاز طبیعی استفاده شدهاست. نتایج حاصل از پیشبینی قیمت مبنی بر روشهای معرفی شده، نشانگر کارایی روشها است. در همین حال با توجه به فرکتالیبودن قیمت گاز طبیعی در بازه مورد بررسی، نتایج نشان میدهد که خطای پیشبینی با استفاده از روش تلفیقی فرکتالی گری همواره کمتر از ۲ درصد میباشد و نتایج بسیار خوبی با استفاده از روش ترکیبی گری و فرکتال حاصل شدهاست، گرچه مقایسه میزان خطای پیشبینی، بیانگر دقت بهتر روش تلفیقی فرکتالی گری برای این بازار با توجه به رفتار فرکتالی آن میباشد. تفاصيل المقالة -
حرية الوصول المقاله
13 - کاربرد ترکیبی مدل State Spaceدر فرم ARIMAو روش شبیه سازی مونت کارلوبرای پیش بینی شاخص تپیکس
عقیق فرهادی چشمه مرواری فرهاد غفاریدر این مطالعه به بررسی و تخمین پارامترها با استفاده از مدل State Space در فرم ARIMAپرداخته میشود . سپس با استفاده از پارامترهای تخمین زده شده و روش شبیه سازی مونت کارلو به عنوان ابزاری برای افزایش دقت پیش بینی فرآیندهای تصادفی، به پیش بینی برای کوتاه مدت، میان مدت و بل أکثردر این مطالعه به بررسی و تخمین پارامترها با استفاده از مدل State Space در فرم ARIMAپرداخته میشود . سپس با استفاده از پارامترهای تخمین زده شده و روش شبیه سازی مونت کارلو به عنوان ابزاری برای افزایش دقت پیش بینی فرآیندهای تصادفی، به پیش بینی برای کوتاه مدت، میان مدت و بلند مدت برای شاخص تپیکس پرداختیم که شامل 739 داده روزانه مربوط به 1 بهمن سال 1389 تا 30 بهمن سال 1392 به عنوان درون داده و نیز داده های 1 اسفند 1392 تا 30 اردیبهشت 1393 به عنوان برون داده بود . نتایج حاکی از این بود که داده های بازار سهام تهران از کارآیی کافی به منظور پیش بینی نسبی آنها برخوردار بودند و نشان دادیم که ترکیب مدل State Space در فرم ARIMA و روش شبیه سازی مونت کارلو می تواند به عنوان یک الگوریتم پیش بینی کننده برای شاخص تپیکس و سایر شاخص های مشابه از نظر ماهیتی، پیشنهاد شود. تفاصيل المقالة -
حرية الوصول المقاله
14 - مدلهای مولتی فرکتال در علوم مالی: ریشه، ویژگیها و کاربردهای آنها
فریدون رهنمای رودپشتی مهدیه کلانتری دهقیتشخیص فرآیند حاکم بر بازدهیهای بازار سهام به منظور اخذ تصمیم بهینه و کاهش هزینه ریسک اهمیتفراوانی برای سرمایهگذاران و سیاستگذاران مالی دارد . اهمیت تحلیل بازارها و تلاش برای درک بهتر آنهاموجب شد که پس از به چالش کشیده شدن مفروضات بازار کارا و کشف حقایق جهان شمول دنبالهه أکثرتشخیص فرآیند حاکم بر بازدهیهای بازار سهام به منظور اخذ تصمیم بهینه و کاهش هزینه ریسک اهمیتفراوانی برای سرمایهگذاران و سیاستگذاران مالی دارد . اهمیت تحلیل بازارها و تلاش برای درک بهتر آنهاموجب شد که پس از به چالش کشیده شدن مفروضات بازار کارا و کشف حقایق جهان شمول دنبالههای پهن،خوشهبندی نوسانات در سریهای زمانی مالی، تحلیلگران از مدلهای با خواص کاملاً تصادفی با توزیع نرمال بهسمت مدلهای لوی و مولتی فرکتالی متمایل شوند. همین امر سبب گسترش استفاده از مدلهای مولتی فرکتالیدر بخشهای مختلف بازار شد. این مقاله به مرور روش مولتی فرکتال که در سالهای اخیر برای پیش بینی ومدلسازی نوسان پذیری قیمت 1 گسترش یافته، پرداخته است. در ابتدا ریشه این روش که از مدلهای مشابهجریانات آشفته 2 در فیزیک آماری، نشأت گرفته شده است معرفی و سپس جزئیاتی در مورد مشخصات وویژگیهای مدلهای سری زمانی مولتی فرکتالی در مالی، روشهای در دسترس برای تخمین آنها و وضعیتکنونی کاربردهای تجربی این مدلها ذکر میشود. نتایج پژوهش نشان میدهد که پویایی بازار سرمایه موجب شدهاست که رویکردها، شیوهها و مدلهای تحلیل بازار در حال تحول باشد، همچنین در خوشهبندی نوسانات سری-های زمانی مالی، مقیاسهای کوچکتر مدنظر قرار میگیرد. تفاصيل المقالة -
حرية الوصول المقاله
15 - بررسی خطای پیشبینی نوسان شاخصهای صنعت با استفاده از مدلهای حرکت برآونی هندسی و گارچ
ارشاد امامی علیرضا حیدرزاده هنزائیپژوهش حاضر، به بررسی عملکرد مدلهای گارچ مرتبه اول و مدل حرکت برآونی هندسی به عنوان مدلهای رقیب در پیشبینی نوسان روزانه پرداخته است. هدف پژوهش، پاسخ به این سوال است که آیا خطای پیشبینی نوسان در مدل حرکت برآونی هندسی تفاوت معنیداری نسبت به مدل گارچ دارد. جهت مطالعه م أکثرپژوهش حاضر، به بررسی عملکرد مدلهای گارچ مرتبه اول و مدل حرکت برآونی هندسی به عنوان مدلهای رقیب در پیشبینی نوسان روزانه پرداخته است. هدف پژوهش، پاسخ به این سوال است که آیا خطای پیشبینی نوسان در مدل حرکت برآونی هندسی تفاوت معنیداری نسبت به مدل گارچ دارد. جهت مطالعه مدلها، اطلاعات روزانه بازده لگاریتمی شاخص سی و هشت صنعت مختلف بورس اوراق بهادار تهران به عنوان جامعه آماری پژوهش در دوره زمانی فروردین 1395 تا شهریور 1399 در نظر گرفته شده است. بازه مذکور به دو بخش دوره برآورد (معادل چهار سال و شش‎ماه داده روزانه) و دوره پیشبینی (برابر با شش‎ماه آخر) تقسیمبندی شد. به صورت پنجره متحرک، متغیرهای هر مدل از روش حداکثر درستنمایی با اطلاعات چهار ساله برازش شده و بر این اساس پیشبینیهای روزانه نوسان برای دوره ششماهه آتی بدست میآید. نتایج پیشبینیها به کمک معیار ریشه میانگین مجذور خطا با یکدیگر مقایسه شده و هرکدام که دارای آماره کمتری باشد به این معناست که عملکرد بهتری را از خود نشان میدهد. مطابق نتایج پژوهش، مدل گارچ مرتبه اول تنها در شاخص سه صنعت مختلف دارای عملکرد بهتری است و در سایر شاخصهای مورد بررسی مدل حرکت برآونی هندسی پیشبینی بهتری از نوسان روزانه را ارائه میکند. تفاصيل المقالة -
حرية الوصول المقاله
16 - شناسایی بحران بانکی با استفاده از شاخص استرس بانکی در اقتصاد ایران(مدل عاملی پویا)
ثمینه قاسمی فر ابوالفضل شاه آبادی شمس الله شیرین بخش میرحسین موسوی اعظم احمدیاننظر به این که قسمت عمده تأمین مالی بخش های دولتی و خصوصی از بخش بانکی کشور صورت می گیرد؛ حفظ ثبات و جلوگیری از بروز بحران در نظام بانکی از اهمیت به سزایی برخوردار است. هدف این پژوهش شناسایی بحران بانکی به کمک شاخص استرس بانکی در اقتصاد کشور برای بازه زمانی 1387- 1398 اس أکثرنظر به این که قسمت عمده تأمین مالی بخش های دولتی و خصوصی از بخش بانکی کشور صورت می گیرد؛ حفظ ثبات و جلوگیری از بروز بحران در نظام بانکی از اهمیت به سزایی برخوردار است. هدف این پژوهش شناسایی بحران بانکی به کمک شاخص استرس بانکی در اقتصاد کشور برای بازه زمانی 1387- 1398 است. شاخص استرس بانکی بهترین معیار برای ارزیابی بحران بانکی است که نااطمینانی، بی ثباتی و اصطکاک مالی در نظام بانکی را به تصویر می کشد. در این مطالعه طراحی شاخص استرس بانکی با به کارگیری مدل عاملی پویا صورت گرفته است. این مدل با روش حداکثر راستنمایی و الگوی تصادفی از داده های گمشده برآورد شده است. به کمک 6 متغیر تعیین کننده بحران بانکی کشور، دو شاخص استرس بانکی با دو ماهیت متفاوت برای بررسی ثبات نظام بانکی به صورت سری زمانی برآورد شده است. در نهایت هر دو شاخص استرس برآوردی نشان دادند؛ انطباق زمانی دقیقی بین بیشترین مقادیر استرس بانکی با شوک هایی وارده به اقتصاد ایران وجود دارد. همچنین این نتیجه حاصل شد که شاخص های استرس بانکی اثرات عواملی خارجی از جمله تحریم ها بر نظام بانکی، ضعف های بنیادین نظام بانکی را هم نشان می دهند؛ همچنین قادر به پیش بینی بحران های بانکی نیز هستند. تفاصيل المقالة -
حرية الوصول المقاله
17 - پیش بینی نوسانات بازارهای آتی های نفت با استفاده از مدلهای گارچ و مدلهای تغییر رژیم مارکوف گارچ
مرتضی بکی حسکوئی فاطمه خواجونددراین مقاله مجموعه ای از مدلهای مختلف GARCH استاندارد با گروهی از مدلهای تغییر رژیم مارکوف گارچ MRS-GARCH)) براساس توانایی آنها در پیش بینی نوسانات بازارهای آتی های نفت در افق های زمانی یک روزه تا یک ماهه مقایسه میشود. به منظور صحه گذاشتن بر ثبات بیش از اندازه ای که م أکثردراین مقاله مجموعه ای از مدلهای مختلف GARCH استاندارد با گروهی از مدلهای تغییر رژیم مارکوف گارچ MRS-GARCH)) براساس توانایی آنها در پیش بینی نوسانات بازارهای آتی های نفت در افق های زمانی یک روزه تا یک ماهه مقایسه میشود. به منظور صحه گذاشتن بر ثبات بیش از اندازه ای که معمولاً در مدلهای GARCH یافت می شود و بیانگر پیش بینی های نوسانات بسیار بالا وبسیار نامحسوس می باشد، پارامترهای مدلهای MRS-GARCH که بین رژیم با نوسان بالا و پایین جابه جا می شوند، مورد تجزیه و تحلیل قرار می گیرند. برای پسماندها دو توزیع شرطی دنباله پهن و گوسی فرض می شود، ودرجه آزادی می تواند برای ثبت احتمال کشیدگی متغیر به زمان وابسته به حالت باشد. عملکرد پیش بینی مدلهای رقیب توسط توابع زیان آماری مورد ارزیابی قرار می گیرد. براساس این توابع، آزمون های برابری توانایی پیش بینی نوع دیبولد- ماریانو و برتری توانایی پیش بینی، مانند بررسی واقعیت وایت و تست SPA هانسن بکار می رود. تجزیه تحلیل های تجربی نشان می دهد که طبق مجموعه گسترده ای از توابع زیان آماری مدلهای MRS-GARCH عملکرد بهتری نسبت به مدلهای GARCH استاندارد در پیش بینی نوسانات در افق های زمانیکوتاهتر دارند و در افق های زمانی طولانی تر مدلهای GARCH نامتقارن استاندارد بهتر عمل میکنند. براساس این آزمون ها وجود مدل بهتر از MRS-GARCH -t رد میشود. تفاصيل المقالة -
حرية الوصول المقاله
18 - بررسی حافظه بلندمدت و بکارگیری تجزیه موجک جهت بهبود عملکرد پیش بینی نوسانات بازار سهام
شمس اله شیرین بخش اسماعیل نادری نادیا گندلی علیخانیشاخصهای بازارهای مالی، دارای تناوب و تلاطم بسیار زیادی بوده که این امر سبب شکلگیری نوعخاصی از نامانایی گشته که به آن نامانایی کسری اطلاق میگردد. این ویژگی موجبات شکلگیری حافظهبلندمدت در ایننوع از سریهای زمانی را فراهم میآورد. از اینرو، این مطالعه ضمن بررسی وجود ویژگیحاف أکثرشاخصهای بازارهای مالی، دارای تناوب و تلاطم بسیار زیادی بوده که این امر سبب شکلگیری نوعخاصی از نامانایی گشته که به آن نامانایی کسری اطلاق میگردد. این ویژگی موجبات شکلگیری حافظهبلندمدت در ایننوع از سریهای زمانی را فراهم میآورد. از اینرو، این مطالعه ضمن بررسی وجود ویژگیحافظه بلندمدت در سری بازدهی بورس، به پیشبینی نوسانات این شاخص به کمک مدلهای مبتنی بر حافظهبلندمدت و نیز تجزیه موجک، میپردازد. جهت رسیدن به این هدف، از دادههای سریزمانی روزانه شاخصقیمت و بازده نقدی بورس اوراق بهادار تهران، طی دوره زمانی پنجم فروردین 1388 تا هجدهم اردیبهشتماه 1391 استفاده شده است. بر پایه نتایج این پژوهش، وجود ویژگی حافظه بلندمدت در این سری موردتأیید قرار میگیرد و بر این اساس بهترین مدل جهت تبیین رفتار نوسانات سری مذکور، مدل غیرخطیمیباشد. همچنین، جهت پیشبینی نوسانات شاخص بازدهی بورس، از ARFIMA(1,2)-FIGARCH(BBM)مدل مذکور بر اساس سطح دادهها و نیز دادههای تجزیه شده، استفاده گردید که بر مبنای معیارهای خطایمدل مبتنی بر دادههای تجزیه شده با تکنیک موجک از نتایج قابل قبولتری ،RMSE و MSE پیشبینیبرخوردار بوده است. تفاصيل المقالة -
حرية الوصول المقاله
19 - مقایسه قابلیتهای مدلهای مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیشبینی بازدهی بورس اوراق بهادار تهران
اکبر کمیجانی اسماعیل نادریاین مقاله با هدف معرفی یک الگوی مناسب جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه ی زمانی پنجم فروردین 1388 تا سی ام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیش بینی های أکثراین مقاله با هدف معرفی یک الگوی مناسب جهت پیش بینی شاخص بازدهی بورس اوراق بهادار تهران صورت پذیرفته است. داده های مورد استفاده در این پژوهش به صورت روزانه و شامل بازه ی زمانی پنجم فروردین 1388 تا سی ام آبان 1390 که مشتمل بر 616 مشاهده بوده که جهت مجزا سازی پیش بینی های داخل نمونه ای و خارج از نمونه ای، از تقریباً 90% از مشاهدات (556 مشاهده) جهت تخمین ضرایب مدل و از مابقی (60 مشاهده) جهت انجام پیش بینی خارج از نمونه استفاده شده است. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ یک مدل غیرخطیِ شبکه ی عصبی مصنوعی پویا (شبکه عصبی خودرگرسیونی)[i] و نیز یک مدل رگرسیونی غیرخطی (مدل خودرگرسیونی میانگین متحرک انباشته ی کسری)[ii]. یافته های این پژوهش نشان می دهد که مدل شبکه ی عصبی مصنوعی پویا در پیش بینی های خارج از نمونه، بر اساس معیارهای محاسبه ی خطای پیش بینی میانگین مجذور خطا (MSE)[iii] و نیز معیار جذر میانگین مجذور خطا (RMSE)[iv]، دارای عملکرد بهتری نسبت به مدل رگرسیونی غیرخطی ARFIMA می باشند. [r تفاصيل المقالة -
حرية الوصول المقاله
20 - پیش بینی قیمت سهام بااستفاده از الگوریتم کرم شبتاب (FA)
علی بیات زینب باقریدر این پژوهش به پیشبینی قیمت سهام 10 شرکت از شرکتهای پذیرفته شده در بورس و تعدادی از شرکتهای حاضر در فرابورس بااستفاده از الگوریتم کرم شبتاب پرداخته شده است. این پژوهش ازنظر هدف، کاربردی، از نظر روش گردآوری اطلاعات شبه تجربی، توصیفی - پیمایشی و پس رویدادی است. همچنی أکثردر این پژوهش به پیشبینی قیمت سهام 10 شرکت از شرکتهای پذیرفته شده در بورس و تعدادی از شرکتهای حاضر در فرابورس بااستفاده از الگوریتم کرم شبتاب پرداخته شده است. این پژوهش ازنظر هدف، کاربردی، از نظر روش گردآوری اطلاعات شبه تجربی، توصیفی - پیمایشی و پس رویدادی است. همچنین ازنظر ابزارهای گردآوری اطلاعات، کتابخانه ای می باشد و بدلیل ماهیت مدلسازی و پیشبینی، ازنوع پژوهش استقرایی است. در این تحقیق از دادهها در دو مرحله، الگوریتم استفاده خواهیم کرد: الف ) داده هایی برای آموزش الگوریتم کرم شبتاب قبل از پیشبینی (مرحله یادگیری الگوریتم) که تعداد این متغیرها برابر 16 متغیر میباشد. این متغیرها برای دوره زمانی سه سال (1388-1392) ب) داده های گذشته شرکت ها برای پیشبینی قیمت سهام در آینده (مرحله تست الگوریتم) که تعداد این متغیرها برابر12 متغیر است. سرانجام دراین پژوهش از الگوریتم آموزش دیده برای پیش بینی قیمت سهام استفاده میگردد. طرز کار الگوریتم نیز به این صورت است که داده های روزانه , ماهانه یا سالانه (N) به الگوریتم داده می شود. الگوریتم به پیش بینی قیمت سهام برای روز، ماه یا سال N+1 ام می پردازد. برای محاسبه ی خطای پیش بینی از محاسبه خطای نسبی استفاده شده است. محاسبات انجام خطای کمتر از 6% را برای پیشبینی نشان میدهد. بنابراین الگوریتم کرم شب تاب قابلیت پیش بینی قیمت سهام را داراست. تفاصيل المقالة -
حرية الوصول المقاله
21 - مدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک
بیتا شایگانی امیربهداد سلامی رامین خوچیانیتولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی ا أکثرتولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونهمتغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشانمی دهد که سری زمانی تولید ناخالص داخلی از جمله متغیرهایی است که پس از تجزیه در برخی سطوح، رفتاریخطی و در برخی سطوح رفتاری غیرخطی دارد؛ از این رو پیشنهاد شد که ابتدا سری زمانی مذکور به صورتداده های فصلی طی دوره 7631 تا 7631 ، با استفاده از تکنیک موجک به مولفه های مقیاسی متفاوتی تجزیه شده وسپس با کمک مدل ARIMA سری تقریب )روند( و سیکل های با رفتار خطی، و آنگاه با مدل شبکه عصبیسیکل های با رفتار غیرخطی پیش بینی شوند. این مقاله نشان می دهد که نتیجه اعمال این روش پیشنهادی درمقایسه با مدل شبکه عصبی خودتوضیح غیرخطی با لوپ بسته و مدل ARIMA دقیق تر و کارآتر است. تفاصيل المقالة -
حرية الوصول المقاله
22 - ارائه الگوی ترکیبیFARIMA با به کارگیری روشهایARIMA و رگرسیون فازی جهت پیش بینی قیمت جهانی نفت خام
قدرت الله امام وردی مریم شهابی طبریمدل ARIMA، مدل پیش بینی دقیقی برای بازه کوتاه مدت می باشد ولی محدودیت تعداد داده های گذشته را نیز دارد. در جامعه کنونی، با توجه به شرایط نااطمینانی و همین طور رشد سریع تکنولوژی، نیاز به پیش بینی در بازه کوتاه مدت احساس می شود. معمولا داده های در دسترسکمتر از آن تعدادی ا أکثرمدل ARIMA، مدل پیش بینی دقیقی برای بازه کوتاه مدت می باشد ولی محدودیت تعداد داده های گذشته را نیز دارد. در جامعه کنونی، با توجه به شرایط نااطمینانی و همین طور رشد سریع تکنولوژی، نیاز به پیش بینی در بازه کوتاه مدت احساس می شود. معمولا داده های در دسترسکمتر از آن تعدادی است که در مدل ARIMA باید به کار گرفته شود. در این میان مدلهای رگرسیون فازی قادرند با داده های اندک و در شرایط نااطمینانی به پیش بینی مقادیر بپردازند. اما نتایج حاصل از این مدلها نیز معمولا به دلیل گستردگی بازه پیش بینی نمی تواند چندان قابل اتکا باشد. بنابراین محققین سعی بر ارائه روشی دارند که بتواند علاوه بر استفاده از مزایای هر دو روش، معایب آنها را نیز بکاهد. لذا در این مقاله، مدل ترکیبی میانگین متحرک خودرگرسیون انباشته فازی (FARIMA) به منظور پیش بینی قیمت جهانی نفت خام پیشنهاد شده است. یافته ها بیانگر بهبود نتایج در روش پیشنهادی می باشند. تفاصيل المقالة -
حرية الوصول المقاله
23 - مقایسه مدلها در پیشبینی موارد تجمعی بستری و فوت کووید-19 (مطالعه موردی: شهرستان بهاباد)
محمد حسین کریمی زارچی داود شیشه بریمقدمه: بیماری کووید-19، یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-2 ایجاد شده است. پیشبینی تعداد موارد جدید و مرگومیر میتواند گام مفیدی در پیشبینی هزینهها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدلسازی، مقایسه عملکرد مدلها و پیشبینی أکثرمقدمه: بیماری کووید-19، یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-2 ایجاد شده است. پیشبینی تعداد موارد جدید و مرگومیر میتواند گام مفیدی در پیشبینی هزینهها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدلسازی، مقایسه عملکرد مدلها و پیشبینی موارد جدید بستری و مرگومیر در آینده نزدیک است. روش پژوهش: در این مقاله 9 تکنیک پیشبینی بر روی دادههای کووید-19 شهرستان بهاباد استان یزد تحت آزمایش قرار گرفت و با استفاده از معیارهای ارزیابی میانگین مربعات خطا (MSE)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و میانگین درصد قدرمطلق خطا (MAPE) مدلها باهم مقایسه شدند. یافتهها: نتایج تحلیل نشان داد، بهترین مدل با توجه به معیارهای ارزیابی مذکور برای پیشبینی موارد تجمعی بستری کووید-19 مدل هموارسازی اسپلاین مکعبی و برای موارد تجمعی فوت مدل رگرسیون KNN میباشد. همچنین مدل شبکههای عصبی اتورگرسیو و مدل تتا برای موارد بستری و برای موارد فوت مدل شبکههای عصبی اتورگرسیو دارای بدترین عملکرد را در میان دیگر مدلها دارا میباشد. نتیجه گیری: این مطالعه میتواند درک مناسبی از روند شیوع بیماری کووید-19 در این منطقه ارائه کند تا با اتخاذ اقدامات احتیاطی و تدوین سیاست های مناسب بتوان به نحو احسن از این بیماری عبور کرد. همچنین برخلاف مطالعات دیگر این مطالعه، از 9 تکنیک متفاوت و مقایسه آنها، استفاده کرده است که به نوبه خود ضریب اطمینان را در تصمیمگیری بالا برده است. همچنین نکتهای که حائز اهمیت میباشد این است که باید دادهها در زمان واقعی بروز شوند. تفاصيل المقالة -
حرية الوصول المقاله
24 - تأثیر محافظه کاری بر خطای مدیریت در پیش بینی سود
احمد لطفی میثم حاجی پورجلب می کند. اطلاعات ارائه شده توسط شرکت و در نتیجه سود، مبتنی بر رویدادهای گذشته است اماسرمایه گذاران، به اطلاعاتی راجع به آینده شرکت نیاز دارند. مدیریت واحدهای تجاری با در دست داشتن منابع وامکانات به انجام پیش بینی هایی قابل اعتماد می پردازند و با انتشار عمومی این پیش أکثرجلب می کند. اطلاعات ارائه شده توسط شرکت و در نتیجه سود، مبتنی بر رویدادهای گذشته است اماسرمایه گذاران، به اطلاعاتی راجع به آینده شرکت نیاز دارند. مدیریت واحدهای تجاری با در دست داشتن منابع وامکانات به انجام پیش بینی هایی قابل اعتماد می پردازند و با انتشار عمومی این پیش بینی ها، کارایی بازارهای مالی راافزایش می دهند. مطالعات پیشین نشان می دهند که پیش بینی های مدیریت، قیمت سهام، نقدینگی بازار سهام و پیشبینی تحلیلگران را تحت تأثیر قرار می دهد. همچنین خطای پیش بینی سود متأثر از عوامل مختلفی چون اندازه، عمر،ساختار سرمایه شرکت، میزان اطلاعات افشا شده، جانبداری های روانشناختی مدیریت و... می باشد. علاوه براین،پژوهش های تجربی نشان دهنده این است که روی ههای حسابداری، محافظه کارانه است و نیز در طی سی سال گذشته این روی هها محافظه کارانه تر شده است (واتس،2003 ) باسو( 1997 ) و تحقیقات صورت گرفته بعد از او شواهدی حاکی از افزایش حسابداری محافظه کارانه فراهم نموده اند. همچنین لی( 2007 )دریافت که حسابداری محافظه کارانه منجر به کاهش جانبداری در سود و خالص دارائ یهای گزارش شده در شرایط رشد سرمایه گذاریمی شود. در این مقاله به بررسی تأثیر محافظه کاری بر خطای مدیریت در پیش بینی سود پرداخته شده است. باتوجه به داد ههای 88 شرکت برای دوره 87-1378 فرضیه تحقیق تأیید می شود به عبارت دیگر در شرکت هایی که حسابداری محافظه کارانه تری دارند، خطای مدیریت در پیش بینی سود کمتر است. تفاصيل المقالة -
حرية الوصول المقاله
25 - مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان
امیر محمدزاده نسرین مهدی پور آرش محمدزادهپیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های أکثرپیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آموزشی پس انتشار خطا هزینه کل آب شهرداری اصفهان بر اساس پارامترهای سرانه جمعیت هر منطقه،سرانه مساحت هر منطقه به دست آمده است.بدین منظور در این تحقیق مدلی برنامه ریزی شده که قابلیت ها وچهارچوب آن برای پیش بینی هزینه آب در 14 منطقه شهرداری اصفهان میباشد. این برنامه شامل شبیه سازی و پیشبینی هزینه کل آب سالانه شهرداری اصفهان می باشد. شبیه سازی هزینه کل آب با روش های رگرسیون و ش بکهعصبی مصنوعی با استفاده از داده های سال 83 تا 88 انجام شده است که در نهایت روش شبکه عصبی مصنوعیبه عنوان مدل شبیه سازی تعیین شده است تفاصيل المقالة -
حرية الوصول المقاله
26 - ارائه مدلهای انرژی در برنامه های توسعه اجتماعی - اقتصادی
محمد رضا مقدم -
حرية الوصول المقاله
27 - تحلیل و پیشبینی بارش های منطقه لارستان با استفاده از مدل زنجیره مارکوف
بهلول علیجانی زین العابدین جغفرپور حیدر قادریدر این مقاله تحلیل و پیش بینی بارش های منطقه لارستان، روزهای بارش 0/1 میلی متر و بیشتر ایستگاه لار در دوره آماری 2003-19960 بررسی شده است. ابتدا فراوانی روزهای بارانی بر اساس تداوم آن ها گروه بندی و فراوانی هرکدام از توالی ها به صورت مجزا مطالعه گردید. سپس بر اساس مدل ز أکثردر این مقاله تحلیل و پیش بینی بارش های منطقه لارستان، روزهای بارش 0/1 میلی متر و بیشتر ایستگاه لار در دوره آماری 2003-19960 بررسی شده است. ابتدا فراوانی روزهای بارانی بر اساس تداوم آن ها گروه بندی و فراوانی هرکدام از توالی ها به صورت مجزا مطالعه گردید. سپس بر اساس مدل زنجیره مارکوف احتمال وقوعهریک از توالی ها به صورت ماهانه ، فصلی و سالانه محاسبه شد. یافته های تحقیق نشان داد که:حداکثر فراوانی روزهای بارانی 44 روز و حداقل آن 11 روز در سال است . ژانویه بیشرین فراوانی و ماه هایمه و ژوئیه کمترین فراوانی را دارند. زمستان فصل مرطوب و بهار فصل خشک منطقه است. شدت متوسط هر بارش 8/2 میلی متر ، فاصلة متوسط بین دو بارش در دوره بارانی 6/2 روز، زمان متوسط شروع بارندگی 17 آذر و خاتمة بارندگی 26 فروردین است.مقایسه فراوانی توالی های پیش بینی شده با فراوانی توالی های مشاهده شده دقت مدل زنجیر ه مارکوف رادر پیش بینی توالی های خشک و مرطوب در مناطقی مانند لارستان که ناهماهنگی شدید بارش دارند، نشان داد. تفاصيل المقالة -
حرية الوصول المقاله
28 - تحلیل و پیش بینی نوسان اقلیمی خراسان
علیرضا بنی واهببا توجه به خشکسالیهای سالهای اخیر و تأثیر آن بر برنامه ریزی و بخشهای مختلف اقتصادی، کشاورزی و... نیاز به پیش بینی و استفاده از مدلهای مختلف جهت برنامه ریزی دقیق تر لازم به نظر می رسد. مدل زنجیره مارکف روی استان خراسان مورد بررسی قرار گرفت و چهار ایستگاه مشهد، تربت حیدری أکثربا توجه به خشکسالیهای سالهای اخیر و تأثیر آن بر برنامه ریزی و بخشهای مختلف اقتصادی، کشاورزی و... نیاز به پیش بینی و استفاده از مدلهای مختلف جهت برنامه ریزی دقیق تر لازم به نظر می رسد. مدل زنجیره مارکف روی استان خراسان مورد بررسی قرار گرفت و چهار ایستگاه مشهد، تربت حیدریه، بجنورد و بیرجند انتخاب شد. این مدل پیشامدهایی که به پیشامدهای قبلی وابسته اندومستقل نمی باشند را مورد بررسی قرار می دهد در این تحقیق احتمال وقوع پیشامدهای متوالی روزهای خشک و تر (آستانه تری1/0 میلیمتر) و روزهای سرد (زیر صفر درجه سانتیگراد) و روزهای گرم ( بالای 25 درجه سانتیگراد) موردبررسی قرار گرفته است . نهایتاً توسط مدل زنجیرة مارکف مرتبه اول مورد تجزیه و تحلیل قرار گرفته و جهت پیش بینی دورههای 1 تا 10 روزه از توزیع آماریq× Xn=pn-1 استفاده شده است و مقادیر احتمالهای پیش بینی بصورت نقشههای هم احتمال ترسیم شده است.دراین تحقیق از نرم افزارهای Spss وSurfer جهت آنالیز اطلاعات وترسیم نقشه ها استفاده است تفاصيل المقالة -
حرية الوصول المقاله
29 - A two-stage study of grey system theory and DEA in strategic alliance: An application in Vietnamese Steel industry
Hoang-Phu Nguyen Nhu-Ty NguyenThroughout the years, Vietnam has experienced the higher economic growth. It leads more development in many various fields including steel industry. However, it necessary to have more strategic alliances among those steel companies for an incredible and sustainable grow أکثرThroughout the years, Vietnam has experienced the higher economic growth. It leads more development in many various fields including steel industry. However, it necessary to have more strategic alliances among those steel companies for an incredible and sustainable growth. To have successful cooperation, it requires many special skills, efforts and considerations. This paper applies DEA model and Grey Theory to calculate the effectiveness and proposes a method to find out the most suitable strategic partners. Seventeen biggest companies in the Vietnam steel industry are chosen to research. The input factors (Net assets, operating cost, Cost of good sold) and the output factors (Net sales and net profits) are collected from realistic published financial reports of the Vietnam issued stock market in seven consecutive financial years (2011-2017). The Hoa Sen Group is considered as the target decision making unit (DMU). According to the empirical results, Pomina Steel corporation (DMU4) is the most feasible beneficial alliance partner for Hoa Sen Group. In addition, the proposed process in this paper is applied to not only the steel industry, but also to other manufacturing fields. تفاصيل المقالة -
حرية الوصول المقاله
30 - پیشبینی خشکسالی با بهرهگیری از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI (مطالعه موردی: حوضه دریاچه ارومیه-ایران)
مهدی کماسی سروش شرقیزمینه و هدف: خشکسالی تهدیدی جدی برای انسان و محیطزیست بوده ازاینرو یافتن شاخصی جهت پیش بینی این پدیده از اهمیت به سزایی برخوردار است. شاخص بارش استانداردشده (SPI) یک شاخص جامع جهت طبقهبندی شدت خشکسالی بهحساب می آید. مدل های هوش مصنوعی کلاسیک از متداول ترین مدل های أکثرزمینه و هدف: خشکسالی تهدیدی جدی برای انسان و محیطزیست بوده ازاینرو یافتن شاخصی جهت پیش بینی این پدیده از اهمیت به سزایی برخوردار است. شاخص بارش استانداردشده (SPI) یک شاخص جامع جهت طبقهبندی شدت خشکسالی بهحساب می آید. مدل های هوش مصنوعی کلاسیک از متداول ترین مدل هایی هستند که جهت پیش بینی شاخص SPI مورداستفاده قرارگرفتهاند. ازآن جاییکه این مدل ها بر پایه ی ویژگی خودهم بستگی استوار هستند، بنابراین توانایی رصد نمودن سری های زمانی درازمدت و فصلی را دارا نمی باشند. در این پژوهش برای پیش بینی خشکسالی از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI استفادهشده است. روش بررسی: برای این منظور سری زمانی شاخص SPI مربوط به حوضه ارومیه توسط آنالیز موجک به چندین زیر سری با مقیاس های زمانی مختلف تبدیلشده و این زیر سریهای زمانی بهعنوان ورودی مدل ماشین بردار پشتیبان برای پیش بینی خشکسالی در نظر گرفته می شوند. یافته ها: نتایج حاصل از صحت سنجی مدل ها بیان گر آن است که بیش ترین مقدار ضریب تبیین و کم ترین مقدار جذر میانگین مربع خطا برای مدل منفرد ماشین بردار پشتیبان به ترتیب 865/0 و 237/0 و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به ترتیب 954/0 و 056/0 می باشد. بحث و نتیجه گیری: بنابراین مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با مدل منفرد ماشین بردار پشتیبان توانایی به سزایی جهت پیش بینی سری زمانی شاخص SPI و نیز رصد نمودن نقاط بیشینه این سری زمانی به سبب در نظر گرفتن تغییرات فصلی دارا می باشد. از سویی نشان داده شد که این مدل ترکیبی در مقایسه با سایر مدل های خودهم بسته کلاسیک هم چون شبکه عصبی مصنوعی از دقت و کارایی بالاتری برخوردار است. تفاصيل المقالة -
حرية الوصول المقاله
31 - پیش بینی کمیت پسماند شهری با استفاده از مدلهای هوشمند و آنالیز عدم قطعیت آن ها
مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابیزمینه و هدف: اولین قدم برای طراحی سیستمهای مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیشبینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیدهترین مسایل مهندسی میباشد. به همین خاطر، لزوم استفاده از مدلهایی که قابلیت مدل أکثرزمینه و هدف: اولین قدم برای طراحی سیستمهای مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیشبینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیدهترین مسایل مهندسی میباشد. به همین خاطر، لزوم استفاده از مدلهایی که قابلیت مدلسازی پدیدههای پیچیده را دارند، به خوبی روشن میباشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سالهای 1380 تا 1390 برای پیشبینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدلهای شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدلها، عدم قطعیت کم‍تری داشته و نسبت به دادههای ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدلهای هوشمند از توانایی رضایتبخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدلهای هوشمند مورد مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدلها، عدم قطعیت کم تری برخوردار بود. تفاصيل المقالة -
حرية الوصول المقاله
32 - بررسی نقش گرمایش جهانی بر نوسانات فراسنجهای باد و فشار تراز دریا در منطقه سیستان
اسمعیل پودینه برومند صلاحی محمود خسروی محسن حمیدیان پورزمینه و هدف:تغییرپذیری زمانی بادهای محلی سیستان در دوره ی تشدید گرمایش جهانی موضوع پژوهش حاضر است. در دهه های اخیر، گرمایش جهانی سبب بروز تغییرات محسوس در دمای کره ی زمین و عاملی تأثیرگذار بر سایر فراسنج های جوی از جمله سرعت باد شده است. در مطالعه ی فراسنج های جوی، تخمی أکثرزمینه و هدف:تغییرپذیری زمانی بادهای محلی سیستان در دوره ی تشدید گرمایش جهانی موضوع پژوهش حاضر است. در دهه های اخیر، گرمایش جهانی سبب بروز تغییرات محسوس در دمای کره ی زمین و عاملی تأثیرگذار بر سایر فراسنج های جوی از جمله سرعت باد شده است. در مطالعه ی فراسنج های جوی، تخمین میزان تأثیرگذاری گرمایش جهانی بر روی این پارامترها از اهمیت زیادی برخوردار است. روش بررسی: تغییرات مقادیر سرعت باد محلی سیستان و فشار تراز دریا در منطقه مورد مطالعه تحت شرایط دو سناریو A2 و B2 خروجی مدل جهانی Hadcm3 ریزگردانی شده و برای سه دوره زمانی 30 ساله تا 2099 میزان تغییرات این دو فراسنج تولید و مورد بررسی قرار گرفت. یافته ها: یافته ها نشان دادند که بهطور متوسط میزان سرعت باد محاسبه شده توسط سناریوی B2 برای دوره های زمانی 2010- 2039 و 2040-2069 و 2070-2099 میلادی به ترتیب به 67/0، 88/0 و 15/1 متر بر ثانیه نسبت به دوره پایه افزایش خواهد یافت. همچنین تغییرات متوسط سرعت باد تحت شرایط سناریوی A2 که یک سناریوی بدبینانه است به ترتیب 36/1 و 57/1 و 79/1 متر بر ثانیه برای دوره های زمانی 2010- 2039 و 2040-2069 و 2070-2099 میلادی نسبت به دوره پایه افزایش خواهد یافت. همچنین میزان فشار محاسبه شده توسط سناریوی B2 برای دوره های زمانی 2010- 2039 و 2040-2069 و 2070-2099 میلادی به ترتیب به 04/0، 10/0 و 16/0 نسبت به دوره پایه کاهش خواهد یافت. بحث و نتیجه گیری: نتایج نشان داد که کاهش فشار هوا و افزایش سرعت باد در منطقه مورد مطالعه در طی سال بهصورت یکنواخت پراکنده نشده است بهنحویکه طی فصول زمستان و بهار و تابستان افت فشار روند منظم تری نسبت به فصل پاییز دارد. تفاصيل المقالة -
حرية الوصول المقاله
33 - ارزیابی عدم قطعیت مدلهای ANN و ANFIS در تخمین جریان ورودی به سد رئیسعلی دلواری
علی اسکندری روح اله نوری محمدرضا وصالی ناصح فریماه سعیدیزمینه و هدف: اطلاع دقیق از کمیت آب جاری در رودخانهها تاثیر فراوان بر مدیریت کمی و کیفی منابع آب در جوامع وابسته با آن دارد. در این راستا هدف تحقیق حاضر ارزیابی عدم قطعیت در فرآیند تخمین جریان رودخانه شاپور، ورودی به سد رئیسعلی دلواری، واقع در استان بوشهر میباشد. روش أکثرزمینه و هدف: اطلاع دقیق از کمیت آب جاری در رودخانهها تاثیر فراوان بر مدیریت کمی و کیفی منابع آب در جوامع وابسته با آن دارد. در این راستا هدف تحقیق حاضر ارزیابی عدم قطعیت در فرآیند تخمین جریان رودخانه شاپور، ورودی به سد رئیسعلی دلواری، واقع در استان بوشهر میباشد. روش بررسی: برای تخمین جریان ماهانه ورودی به سد رئیسعلی دلواری از مدلهای هوش مصنوعی شبکه عصبی مصنوعی (ANN) و سیستم استنتاج نروفازی تطبیقی (ANFIS) استفاده گردید. همچنین به منظور بهبود استفاده از نتایج این مدلها در تصمیمات مدیریتی در بخش آب، تعیین عدم قطعیت هر یک از آنها در فرآیند مدلسازی جریان انجام شد. در این راستا از نتایج شبیهسازی شده در اجرای هر مدل تحت الگوهای متفاوتی از دادههای واسنجی، استفاده و برای ارزیابی عدم قطعیت هر مدل نیز از دو شاخص عرض محدوده اطمینان (d-factor) و 95 درصد عدم قطعیت پیشبینیها واقع شده در این محدوده (95PPU) استفاده گردید. یافتهها: مطابق نتایج به دست آمده از مدلهای ANN و ANFIS بهینه اجرا شده، مشخص گردید که اگر چه مقادیر آمارههای ضریب تعیین (R2) و قدرمطلق میانگین خطاها (MAE) برای هر دو مدل از مقادیر مناسبی برخوردار بودند، اما عملکرد آنها در برخی نقاط با دبی بالا با خطای قابل توجهی همراه بود. همچنین با بررسی نتایج عدم قطعیت مدلها مشخص شد مدل ANFIS با مقدارd-factor کمتر و مقدار شاخص 95PPU بزرگتر، از عدم قطعیت کمتری نسبت به مدل ANN برخوردار بود. بحث و نتیجهگیری: با توجه به عملکرد تقریباً یکسان هر دو مدل ANN و ANFIS در مراحل واسنجی و صحتسنجی، میتوان مدل ANFIS را به عنوان مدل بهینه تخمین جریان ماهانه ورودی به سد رئیسعلی دلواری به دلیل دارا بودن عدم قطعیت کمتر پیشنهاد نمود. تفاصيل المقالة -
حرية الوصول المقاله
34 - مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز
محمد ابراهیم بنی حبیب محمد ولی پور سید محمودرضا بهبهانیدر مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی أکثردر مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. به طوری که آمار مربوط به 42 سال اول برای آموزش مدل ها و 5 سال اخیر برای پیش بینی مدل ها استفاده گردید. ساختار های مختلف برای مدل های شبکه عصبی مصنوعی استاتیک و دینامیک با مقایسه شاخص جذر متوسط مربع خطا بررسی گردید. در ابتدا با استفاده از داده های مهر 1334 تا شهریور 1376 در مرحله آموزش مدل ها بهترین ساختار مدل های شبکه عصبی مصنوعی استاتیک و دینامیک به دست آمد. سپس بر اساس ساختارهای بهینه، جریان ماهانه ورودی به مخزن سد دز پیش بینی شده و با داده های مشاهده ای مهر 1376 تا شهریور 1381 مقایسه گردید. در این تحقیق همچنین دونوع تابع فعالیت شعاعی و سیگموئیدی و تعداد نرون‌های مختلف در لایه میانی، بررسی شد. نتایج نشان داد که بهترین مدل در پیش بینی جریان ورودی به مخزن سد دز، مدل خود همبسته شبکه عصبی مصنوعی با تابع فعالیت سیگموئیدی و تعداد 17 نرون در لایه میانی می با شد. مدل ‌های خودهمبسته شبکه عصبی مصنوعی استاتیک و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش بینی می نمایند. تفاصيل المقالة -
حرية الوصول المقاله
35 - مدل سازی و پیش بینی وضعیت آلاینده های هوای شهر تهران کاربرد مدل خود رگرسیونی با ویژگی حافظه بلندمدت
رضا اخباری حمید آمادهزمینه و هدف: مدلسازی آلایندههای زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهرهگیری از نتایج حاصله میتوان اقدامات پیشگیرانهای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلایندههای زیست محیطی را می توان به دو دسته أکثرزمینه و هدف: مدلسازی آلایندههای زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهرهگیری از نتایج حاصله میتوان اقدامات پیشگیرانهای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلایندههای زیست محیطی را می توان به دو دسته کلی تقسیم کرد، دسته اول شامل مطالعاتی میشود که علاوه بر دادههای مربوط به آلایندهها با وارد کردن عوامل محیطی از قبیل دمای هوا، جهت وزش باد، سرعت وزش باد و میزان رطوبت، وضعیت انتشار را مورد بررسی قرار داده اند. دسته دوم مطالعات -که تحقیق حاضر در این دسته می گنجد- با استفاده از الگوهای رگرسیون سری های زمانی و غالباً با استفاده از دادههای موجود هر آلاینده، پیشبینی وضعیت آتی آن را مد نظر قرار دادهاند. روش بررسی: در این مقاله با استفاده از سه الگوی ARIMA(AutoRegressive Integrated Moving Average) ، ARFIMA(AutoRegressive Fractionaly Integrated Moving Average)و ARIMA-GARCH(Generalized AutoRegressive Conditional Heteroskedasticity) و رویکرد باکس-جنکینز وضعیت آتی آلایندههای CO ، PM10 ،NO2 ،SO2 ،O3 و PM2.5در شهر تهران پیشبینی شد و در مورد هر آلاینده بهترین مدل بر اساس معیارهای MSE(Mean Squared Error)،RMSE(Root Mean Squared Error) ،MAE(Mean Absolute Error) و MAPE(Mean Absolute Percent Error) معرفی گردید. یافته ها: آن چه این مطالعه را از مطالعات قبلی متمایز می سازد، مد نظر قرار دادن ویژگی حافظه بلندمدت و مقایسه دقت خروجی مدل مربوطه با الگوهای رایج خود رگرسیونی است. نتایج نشان میدهد که فرض وجود حافظه بلندمدت پذیرفته خواهد شد، ولی این که بهترین پیش بینیها همواره توسط مدل ARFIMA ارایه میشود، رد می شود. بحث و نتیجه گیری: این مطالعه کاربرد مدلهای اقتصادسنجی را برای پیشبینی وضعیت آلایندهها اثبات میکند. براین اساس توصیه میشود با توجه به هزینه های اجتماعی بالای انتشار آلاینده ها، با بکارگیری این الگوها، آلایندههای تأثیرگذار بر آینده هوای شهر شناسایی و در جهت کاستن از سطح انتشار آن ها طرحهای کارآمدی پیاده شود. تفاصيل المقالة -
حرية الوصول المقاله
36 - پیشیابی تاثیر روند طولانی مدت کاهش سطح آب دریای کاسپی بر حیات خلیج گرگان
سعید شربتی عبدالعظیم قانقرمهزمینه و هدف: خلیج گرگان حوضه آبی نیمه بسته ای است که در حال حاضر تنها از طریق دهانه آشورآده- بندرترکمن با دریای کاسپی در ارتباط دایمی می باشد. روند رو به کاهش تراز سطح آب دریای کاسپی در طی 19 سال گذشته سبب به وجود آمدن اثرات نامطلوب از طریق خشکی زایی در سواحل کم عمق خلی أکثرزمینه و هدف: خلیج گرگان حوضه آبی نیمه بسته ای است که در حال حاضر تنها از طریق دهانه آشورآده- بندرترکمن با دریای کاسپی در ارتباط دایمی می باشد. روند رو به کاهش تراز سطح آب دریای کاسپی در طی 19 سال گذشته سبب به وجود آمدن اثرات نامطلوب از طریق خشکی زایی در سواحل کم عمق خلیج گرگان گردیده است و بیم آن می رود تا در سال های نه چندان دور ارتباط محدود خلیج با دریای کاسپی به طور کلی قطع گردد. روش بررسی: در مقاله حاضر اثرات روند رو به کاهش تراز سطح آب دریای کاسپی بر وضعیت ارتباطی خلیج گرگان تحت دو مجموعه سناریوی کاهش میانگین تراز سطح آب دریای کاسپی مورد مدل سازی واقع گردیده است. در مجموعه سناریوهای اول از میانگین 2/5 سانتی متری و در مجموعه سناریوهای دوم از میانگین 5/10 سانتی متری کاهش تراز سطح آب در دریای کاسپی جهت مدل سازی وضعیت توپوگرافی خلیج گرگان استفاده شد. یافته ها: نتایج مدل سازی ها تحت مجموعه سناریوهای اول نشان داد که ارتباط خلیج گرگان با دریای کاسپی در سال آبی 1411-1410 متاثر از کاهش تراز منفی 6/27 متری به طور دایمی در ناحیه چاپقلی قطع خواهد شد. نتایج مدل سازی ها تحت مجموعه سناریوهای دوم نشان داد که ارتباط خلیج گرگان با دریای کاسپی در سال آبی 1403-1402 متاثر از کاهش تراز منفی 6/27 متری به طور دایمی در ناحیه چاپقلی قطع خواهد شد. بحث و نتیجه گیری: پیشنهاد می گردد کلیه طرح ها و برنامه های استراتژیک دولت در تمامی سواحل جنوبی دریای کاسپی من جمله خلیج گرگان بر اساس طرح آمایش سرزمینی با عنایت به رویکرد روند کاهش سطح آب دریای کاسپی و سناریوسازی های محتمل، مهندسی و عملیاتی گردد. تفاصيل المقالة -
حرية الوصول المقاله
37 - تعیین روش بهینه پیش بینی درماندگی مالی شرکت ها (مطالعه موردی: شرکت های بورس اوراق بهادار تهران)
منصور صوفی مهدی همایون فر مهدی فدایییکی از مهمترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایهگذاران فرصتهای مطلوب سرمایهگذاری را از فرصتهای نامطلوب تشخیص دهند. در راستا، یکی از راههای کمک به سرمایهگذاران ارائهی مدلهای پیشبینی درماندگی مالی شرکتها است. با توجه به مطالعات مختلفی که برای أکثریکی از مهمترین موضوعات مطرح در حوزه مدیریت مالی، آن است که سرمایهگذاران فرصتهای مطلوب سرمایهگذاری را از فرصتهای نامطلوب تشخیص دهند. در راستا، یکی از راههای کمک به سرمایهگذاران ارائهی مدلهای پیشبینی درماندگی مالی شرکتها است. با توجه به مطالعات مختلفی که برای توسعه این دسته از مدلها انجام گرفتهاند، در پژوهش حاضر از ترکیب تکنیکهای شبکه عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبتهای پیشبینی زیمنسکی برای مدلسازی پیش-بینی درماندگی مالی استفاده شده است. جامعه آماری تحقیق، شامل شرکتهای سهامی عام حاضر در بورس اوراق بهادار تهران است که طی دوره زمانی مهر 1392 تا مهر 1394 در بورس فعالیت داشتهاند که از میان آنها، 66 شرکت درمانده و 150 شرکت سالم با روش غربالسازی بهعنوان نمونه انتخاب شدهاند. نتایج نشان میدهند که شبکه عصبی و الگوریتم ژنتیک در پیشبینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیشبینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایینتر است. تفاصيل المقالة -
حرية الوصول المقاله
38 - پیش بینی رویگردانی بیمه گذاران در صنعت بیمه: شناسایی عوامل تاثیر گذار
سمانه سلطانی لیفشاگرد کامبیز شاهرودی ابراهیم چیرانیصنعت بیمه در ایران طی سالهای اخیر با ورود شرکتهای مختلف در بازار رقابت دچار نوسانات زیادی از نظر سودآوری، ترکیب پرتفوی، نرخ خسارت، ضریب نفوذ، حفظ و رضایتمندی بیمه گذاران و سهم بازار شده است. از این رو حفظ و نگهداری بیمه گذاران تبدیل به معضل اصلی اکثر شرکتهای بیمه ای گرد أکثرصنعت بیمه در ایران طی سالهای اخیر با ورود شرکتهای مختلف در بازار رقابت دچار نوسانات زیادی از نظر سودآوری، ترکیب پرتفوی، نرخ خسارت، ضریب نفوذ، حفظ و رضایتمندی بیمه گذاران و سهم بازار شده است. از این رو حفظ و نگهداری بیمه گذاران تبدیل به معضل اصلی اکثر شرکتهای بیمه ای گردیده است. از آنجایی که در صنعت بیمه همچون بسیاری از صنایع دیگر هزینه جستجو برای جذب بیمهگذاران جدید به مراتب هزینه بردار تر از حفظ و نگهداری بیمه گذاران فعلی است، لذا ضروری است تا به شناسایی عوامل تاثیر گذار بر ریزش و رویگردانی بیمه گزاران در این صنعت پرداخته شود.این پژوهش با هدف مطالعه ادبیات و پیشینه تحقیق در حوزه رویگردانی مشتریان، صورت گرفته است که در نهایت منجر به شناسایی و طبقه بندی عوامل تاثیر گذار در پیش بینی رویگردانی مشتریان در صنعت بیمه می گردد.در این پژوهش از روش مرور ادبیات سیستماتیک برای جمع آوری و بررسی مطالعات پیشین بهرهگرفته شده است که با یکپارچه سازی راهبردهای جستجوی خودکار و دستی کلیه مقالات پژوهشی مرتبط منتشر شده در این حوزه در بازه زمانی 1389 تا 1398 برای مقالات فارسی و 2010 تا 2018 برای مقالات انگلیسی پوشش داده شده است.یافته های تحقیق 85 مولفه اثرگذار بر رویگردانی مشتریان را اختصاصاً در صنعت بیمه شناسایی نموده که در چهار دسته مولفه های مربوط به بیمه گر، مولفه های مربوط به بیمه گذار، مولفه های مربوط به محصول/خدمت و مولفه های مربوط به رابطه بیمه گر و بیمه گذار تقسیم گردیده اند. تفاصيل المقالة -
حرية الوصول المقاله
39 - تاثیر اندازه و شدت جهش های قیمتی در پیش بینی تلاطم شاخص در بورس اوراق بهادار تهران
محسن رجب بلوکات علی باغانی علی نجفی مقدم فاطمه صراف نوروز نوراله زادهتشخیص چگونگی ایجاد تلاطم در بازده دارایی از اهمیت بالایی برخوردار است. به همین دلیل، در سالهای اخیر، مطالعات شناخت تلاطم محقق شده و مقادیر فراوانی تلاطم روزانه توسعه یافته است. این پژوهش با استفاده از قیمت سهام شرکتهای شاخص 30 شرکت بزرگ بورس اوراق بهادار تهران در طول أکثرتشخیص چگونگی ایجاد تلاطم در بازده دارایی از اهمیت بالایی برخوردار است. به همین دلیل، در سالهای اخیر، مطالعات شناخت تلاطم محقق شده و مقادیر فراوانی تلاطم روزانه توسعه یافته است. این پژوهش با استفاده از قیمت سهام شرکتهای شاخص 30 شرکت بزرگ بورس اوراق بهادار تهران در طول سالهای 1390 تا 1394 و محاسبه تلاطم محقق شده سهام در طول روزهای معاملاتی با استفاده از مدل HAR-CJ، به بررسی تاثیر اندازه و شدت جهشهای قیمتی در پیش بینی تلاطم شاخص پرداخته است. نتایج به دست آمده، نشان داد که توسعه مدلهایHAR-CJ و HAR-RV-CJ با استفاده از اندازه و شدت جهش ، تاثیر قابل ملاحظهای در بهبود پیش بینی تلاطم شاخص نداشته بلکه، به مقدار ناچیزی، عملکرد پیش بینی مدل در رابطه با تلاطم شاخص را تعدیل مینماید. همچنین، استفاده از جهش در طول روز به جای جهش روزانه، عملکرد مدل پیش بینی را بهبود نمیبخشد. تفاصيل المقالة -
حرية الوصول المقاله
40 - طراحی و تبیین مدل پیش بینی قیمت سهام با استفاده از فرآیندهای تصادفی ( مطالعه موردی: شرکت های انبوه سازی املاک و مستغلات در بورس اوراق بهادار تهران)
حسین اجاقی زاداله فتحی مهرزاد مینوییپژوهش حاضر به طراحی و تبین مدل پیشبینی قیمت سهام با استفاده از فرایندهای تصادفی پرداخته است. جامعه آماری پژوهش کلیه شرکتهای صنعت انبوهسازی املاک و مستغلات در بورس اوراق بهادار تهران از سال 1390 تا 1398 است. دادهها در نرمافزار Eviews10 و متلب مورد تحلیل قرار گرفتند أکثرپژوهش حاضر به طراحی و تبین مدل پیشبینی قیمت سهام با استفاده از فرایندهای تصادفی پرداخته است. جامعه آماری پژوهش کلیه شرکتهای صنعت انبوهسازی املاک و مستغلات در بورس اوراق بهادار تهران از سال 1390 تا 1398 است. دادهها در نرمافزار Eviews10 و متلب مورد تحلیل قرار گرفتند. پیشبینی رفتار قیمت سهام و شاخص کل صنعت با روشهای اتورگرسیو و میانگین متحرک برحسب فرایندهای تصادفی نشان داد از الگوی تبیین شده نمیتوان برای پیشبینی رفتار قیمت سهام استفاده کرد اما در برخی از گامهای تصادفی، خطای پیشبینی ناچیز بوده است. در خصوص پیشبینی رفتار قیمت سهام، سهگام آخر فرآیند، فصل زمستان تأثیر معناداری بر روی پیشبینی قیمت سهام دارند؛ اما گام اول، تأثیر معناداری در پیشبینی رفتار شاخص صنعت دارد. در گامهای اول خطای پیشبینی رفتار شاخص صنعت بسیار اندک است و میتوان از الگوی تبیین شده برای پیشبینی رفتار شاخص در ماههای آغازین سال استفاده کرد. تفاصيل المقالة -
حرية الوصول المقاله
41 - پیش بینی روند روزانه قیمت سهام با استفاده از متن کاوی احساسات کاربران شبکه اجتماعی و داده کاوی نماگرهای تکنیکال
کامل ابراهیمیان ابراهیم عباسی اکبر عالم تبریز امیر محمدزادها ین پژوهش به پیش بینی روند آتی قیمت سهام در بازه کوتاه مدت روزانه با استفاده از تحلیل نظرات سرمایه گذاران در شبکه ی اجتماعی سهامیاب می پردازد. قابلیت پیش بینی پذیری بازارهای سهام، به خاطر دارا بودن یک سیستم پیچیده، پویا و غیر أکثرا ین پژوهش به پیش بینی روند آتی قیمت سهام در بازه کوتاه مدت روزانه با استفاده از تحلیل نظرات سرمایه گذاران در شبکه ی اجتماعی سهامیاب می پردازد. قابلیت پیش بینی پذیری بازارهای سهام، به خاطر دارا بودن یک سیستم پیچیده، پویا و غیر خطی همواره از چالش های پژوهشگران بوده است در این تحقیق، برای اولین بار، با تحلیل احساسات نظرات کاربران و ترکیب آن با 22 نماگر تکنیکال به کمک سه الگوریتم درخت تصمیم، بیز ساده و ماشین بردار پشتیبان ،مدلی با دقت 08/72 درصد برای پیش بینی جهت حرکت سهام توسعه یافت و به پیش بینی روند کوتاه مدت سهام پرداخته شد بر اساس نتایج، ماشین بردار پشتیبان، عملکردی بهتر از دو الگوریتم دیگر از خود نشان داد. همچنین مشخص شد حجم معاملات روز آتی و تعداد نظر ها دارای همبستگی معناداری است و نتایج آزمون علیت گرنجر نشان داد می توان برای پیش بینی قیمت سهام، از تجمیع احساسات روزانه کاربران نیز بهره جست. تفاصيل المقالة -
حرية الوصول المقاله
42 - مقایسه کارآمدی مدلهای ARIMA و ARFIMA در پیش بینی نرخ بهره و نرخ اوراق خزانه اسلامی در ایران
محدثه رزاقی هاشم نیکومرام علیرضا حیدرزاده هنزائی فرهاد غفاری مهدی معدن چی زاجنظر به اهمیت پیش بینی متغیرهای اقتصادی، مدلهای مختلفی جهت پیشبینی مقادیر آتی به وجود آمدهاند. در حقیقت مدلهای اقتصادی را میتوان از طریق بررسی میزان دقت پیشبینی مورد آزمون قرار داد. هدف اصلی این پژوهش پیشبینی نرخ بهره بین بانکی و نرخ اوراق خزانه اسلامی به عنوان شا أکثرنظر به اهمیت پیش بینی متغیرهای اقتصادی، مدلهای مختلفی جهت پیشبینی مقادیر آتی به وجود آمدهاند. در حقیقت مدلهای اقتصادی را میتوان از طریق بررسی میزان دقت پیشبینی مورد آزمون قرار داد. هدف اصلی این پژوهش پیشبینی نرخ بهره بین بانکی و نرخ اوراق خزانه اسلامی به عنوان شاخص‎هایی از نرخ بهره در ایران، در راستای تسهیل مدیریت ریسک نرخ بهره است. برای پیش‎بینی از دو مدل اقتصادسنجی شامل ARFIMA وARIMA استفاده شده است. به طوریکه، مدل ARFIMA با در نظرگرفتن حافظه بلندمدت و مدل ARIMA بدون در نظرگرفتن حافظه بلندمدت مدنظر قرار گرفتند. ارزیابی میزان دقت پیش‎بینی دو مدل مذکور با استفاده از دادههای ماهانه نرخ بهره بین بانکی و همچنین دادههای ماهانه میانگین نرخ اوراق خزانه اسلامی نشان میدهد که در خصوص هر دو دادۀ نرخ بهره بین بانکی و نرخ اوراق خزانه اسلامی ،مدل ARIMA عملکرد بهتری در مقایسه با مدل ARFIMA در پیشبینی دادهها دارد. تفاصيل المقالة -
حرية الوصول المقاله
43 - پیشنهاد مدلی برای پیش بینی قیمت مسکن بر اساس روش آریما؛ مطالعه موردی شهر تهران
حسین ممبینی مرتضی هاشم پور شهلا روشندلتعیین و برآورد قیمت مسکن در مناطق شهری از اهمیت زیادی برای دولت، سرمایه گذاران خصوصی و دولتی و افراد عادی برخوردار است. این تخمین می تواند در برنامه ریزی و تصمیم گیری های آینده در بسیاری از سیاست های شهری و منطقه ای مورد استفاده قرارگیرد. از آنجا که از یکسو شکوفایی بخش أکثرتعیین و برآورد قیمت مسکن در مناطق شهری از اهمیت زیادی برای دولت، سرمایه گذاران خصوصی و دولتی و افراد عادی برخوردار است. این تخمین می تواند در برنامه ریزی و تصمیم گیری های آینده در بسیاری از سیاست های شهری و منطقه ای مورد استفاده قرارگیرد. از آنجا که از یکسو شکوفایی بخش مسکن در سرانه تولید ملی موثر بوده و افزایش اشتغال را به همراه خواهد داشت و از سوی دیگر افزایش وام مسکن برای خرید یا هرگونه افزایش نقدینگی موجب افزایش تورم و فاصله گرفتن سطح درآمد عمومی با هزینه مسکن خواهد شد، لذا برنامه ریزی مسئولین دولتی در مهار تورم و افزایش قیمت همراه ایجاد رونق در بازار مسکن نیازمند مطالعه دقیق این موضوع می باشد. در این راستا به سبب اهمیت بالای قیمت مسکن در دهه های اخیر استفاده از توابع قدرتمند و کارا برای تخمین قیمت مرسوم شده است. در این تحقیق با استفاده از مدل آریما به مدل سازی و پیش بینی قیمت مسکن برای پرداخته شده است. نتایج نشان از آن دارد که مدل پیشنهاد شده در این تحقیق دارای توانایی بالایی (با ضریب تعیین 99.7%) برای مدل سازی و پیش بینی قیمت مسکن در شهر تهران می باشد. تفاصيل المقالة -
حرية الوصول المقاله
44 - طراحی مدل هوشمند ترکیبی جهت پیشبینی نقاط طلایی قیمت سهام
محمد مشاری حسین دیده خانی کاوه خلیلی دامغانی ابراهیم عباسیهدف از این پژوهش ارائه یک مدل هوشمند جهت پیشبینی نقاط طلایی در نمودار قیمت سهام ،به عنوان یک سیستم پشتیبان تصمیم میباشد.جهت انجام این پژوهش از دادههای صنعت خودرو، و ساخت قطعات طی سال 1380 تا 1395 استفادهشده است.در این پژوهش ابتدا نتایج حاصل از بهکارگیری مدل های مخت أکثرهدف از این پژوهش ارائه یک مدل هوشمند جهت پیشبینی نقاط طلایی در نمودار قیمت سهام ،به عنوان یک سیستم پشتیبان تصمیم میباشد.جهت انجام این پژوهش از دادههای صنعت خودرو، و ساخت قطعات طی سال 1380 تا 1395 استفادهشده است.در این پژوهش ابتدا نتایج حاصل از بهکارگیری مدل های مختلف پیشبینی مبتنی بر دادهکاوی مقایسه قرار گرفت،در مرحله بعد متغیرهای پژوهش به وسیله الگوریتم ژنتیک بهینهسازی شد و مجددا مدلسازی انجام پذیرفت.نتایج حاصل از این پژوهش نشان داد که نقاط طلایی با دقت قابل قبول پیشبینی پذیرند و بهینهسازی در همه مدل ها باعث افزایش دقت پیشبینینمیگردد اما خطای فاحش را به میزان قابل توجهی کاهش میدهد. تفاصيل المقالة -
حرية الوصول المقاله
45 - مقایسه عملکرد شبکههای عصبی مصنوعی(ANN)و مدل میانگین متحرک انباشته اتورگرسیو (ARIMA) در مدلسازی و پیشبینی کوتاه مدت روند نرخ ارز در ایران
عباسعلی ابونوری فرداد فرخی سیده فاطمه شجاعیاننرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گ أکثرنرخ ارز و نوسانات آن به عنوان یکی از مهمترین مسائل بخش بازرگانی خارجی هر کشور از اهمیت ویژه ای برخوردار است. عوامل زیادی همچون عوامل اقتصادی، سیاسی، و روانی بر نرخ ارز تاثیرگذار هستند و این عوامل خود باعث ایجاد شرایط نااطمینانی بیشتر می شوند. در این راستا تلاش سیاست گذاران در کاهش این نااطمینانی از طریق پیش بینی این متغیر باکمترین خطا بوده است. شبکه های عصبی مصنوعی از قابلیت بالایی در مدلسازی فرآیندهای پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. لذا در این مطالعه سعی گردیده است تا با استفاده از شبکۀ عصبی مصنوعی(ANN) علاوه بر مدل سازی و پیش بینی روزانه نرخ ارز طی دوره زمانی فروردین 1381 تا اسفند 1384، و کمینه نمودن خطای پیش بینی توسط این روش، نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA بر اساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گیرد. برای بررسی حساسیت نتایج مدل نسبت به نرخ ارز، تخمین مدل با روش مشابه برای سه دسته داده نرخ ارز دلار، یورو و پوند انجام گرفته است. نتایج تحقیق نشان می دهد که شبکۀ عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نرخهای ارز پوند و یورو تابعی از قیمتهای روز گذشته خود و قیمت نرخ ارز دلار تابعی از قیمت 6 روز گذشته خود است. تفاصيل المقالة -
حرية الوصول المقاله
46 - تنظیم پارامتر اندیکاتور های تحلیل تکنیکال با استفاده از بهینه سازی چندهدفه گروه ذرات و سیستم استنتاج تطبیقی فازی-عصبی
ابراهیم عباسی حسین عاکفی شهاب الدین ادیب مهردر این مقاله، یک سیستم معاملاتی خودکار که از ترکیب تحلیل تکنیکال و سیستم استنتاج تطبیقی فازی-عصبی جهت پیش بینی روند قیمتی سهام و افزایش بازدهی حاصل از سرمایه گذاری استفاده می کند، معرفی شده است. در سیستم معاملاتی معرفی شده، نخست با استفاده از الگوریتم بهینه سازی گروه ذر أکثردر این مقاله، یک سیستم معاملاتی خودکار که از ترکیب تحلیل تکنیکال و سیستم استنتاج تطبیقی فازی-عصبی جهت پیش بینی روند قیمتی سهام و افزایش بازدهی حاصل از سرمایه گذاری استفاده می کند، معرفی شده است. در سیستم معاملاتی معرفی شده، نخست با استفاده از الگوریتم بهینه سازی گروه ذرات پارامتر های بهینه اندیکاتورهای تحلیل تکنیکال تعیین شده و با استفاده از خروجی این اندیکاتورها و سیستم استنتاج تطبیقی عصبی-فازی تغییرات قیمت سهم در دوره های بعدی پیش بینی می گردد. نتایج این پیش بینی ها به منظور تعیین زمان مناسب خرید و فروش سهام به منظور کسب بازدهی حداکثر و کاهش ریسک سرمایه گذاری استفاده می شوند. به منظور تست سیستم معاملاتی معرفی شده، هشت سهم به تصادف از میان سهم های موجود در بازار سرمایه ایران انتخاب شد و سیستم به مدت دو ماه بر روی آن ها آزمون گردید. نتایج پژوهش نشان می دهد که با تنظیم پارامتر کردن اندیکاتور های تحلیل تکنیکال می توان دقت حاصل از پیش بینی تغییرات قیمت سهام را افزایش داد و نیز بازدهی سرمایه گذاری را نسبت به روش های معمول در بازار سرمایه و پژوهش های پیشین بیشینه کرد. تفاصيل المقالة -
حرية الوصول المقاله
47 - بررسی چگونگی مدیریت سرمایه گذاری، صندوق های سرمایه گذاری مشترک در ایران (با رویکردی بر تحلیل های تکنیکی، بنیادی و نظریه مدرن پرتفولیو)
محمدرضا نیکبخت یاسر کارگری مهتاب داورزادهاین پژوهش برای اولین بار مدیریت مدیران سرمایهگذاری، صندوقهای سرمایهگذاری مشترک، را با استفاده از روش پرسش نامه ای مورد بررسی قرار داده است. پاسخ دهندگان به پرسشنامه شامل مدیران سرمایهگذاری کلیه ی صندوقهای سرمایهگذاری مشترک در ایران میباشند. از مدیران سرمایهگذاری خواسته أکثراین پژوهش برای اولین بار مدیریت مدیران سرمایهگذاری، صندوقهای سرمایهگذاری مشترک، را با استفاده از روش پرسش نامه ای مورد بررسی قرار داده است. پاسخ دهندگان به پرسشنامه شامل مدیران سرمایهگذاری کلیه ی صندوقهای سرمایهگذاری مشترک در ایران میباشند. از مدیران سرمایهگذاری خواسته شده تا میزان استفاده خود را از هر یک از تحلیل های تکنیکی، فاندامنتال، تئوری مدرن پرتفولیو، بولتن ها، اطلاعات محرمانه و شایعات بازار؛ در راستای پیش بینی بازار و انتخاب دارایی های مناسب و زمان مناسب، مشخص نمایند. جامعه آماری این تحقیق شامل مدیران سرمایهگذاری، کلیه صندوقهای سرمایهگذاری مشترک فعال در ایران است. که برای همه آنها پرسشنامه ارسال گردید و 40درصد این پرسشنامه ها برگشت. یافته های این مطالعه نشان داد که مدیران سرمایهگذاری همواره بیشترین اهمیت و توجه را به تحلیل های بنیادی و بعد از آن بولتن های منتشر شده، دارند، و مدیران سرمایه گذاری کمتر از شاخص های تحلیل تکنیکی (به خصوص در بلند مدت) و تئوری مدرن پرتفوی (به خصوص در کوتاه مدت) استفاده می کنند.همچنین مدیران سرمایه گذاری در کلیه بازه های زمانی تمایلی به استفاده از شایعات و اطلاعات محرمانه را ندارند. تفاصيل المقالة -
حرية الوصول المقاله
48 - پیش بینی شاخص بورس تهران با استفاده از سری زمانی فازی بر اساس تعریف نرخ بازده
فرید رادمهر ناصر شمس قارنهدر سالیان اخیر تحقیقات گسترده ای برروی مدل ها ی سری زمانی فازی انجام شده است اما در بسیاری از این تحقیقات، همواره فضای مسئله و بازه های مربوطه، بر اساس سطوح داده ها ی سری زمانی تعیین شده است. در این تحقیق با نگاهی جدید به تعیین فضای مسئله و استفاده از مفهوم نرخ بازده در أکثردر سالیان اخیر تحقیقات گسترده ای برروی مدل ها ی سری زمانی فازی انجام شده است اما در بسیاری از این تحقیقات، همواره فضای مسئله و بازه های مربوطه، بر اساس سطوح داده ها ی سری زمانی تعیین شده است. در این تحقیق با نگاهی جدید به تعیین فضای مسئله و استفاده از مفهوم نرخ بازده در بازارهای مالی، نوع جدیدی از فضای مسئله بر اساس نرخ بازده برای کاربرد در بازار های مالی و پیش بینی سری های زمانی مالی ارائه شده است. یکی از مسائل دیگر در مدل های سری زمانی فازی که تاثیر به سزایی در عملکرد آنها دارد طول بازه های مورد استفاده و نحوه ی تقسیم بندی فضای مسئله می باشد که در این زمینه تحقیقات متنوعی انجام شده است اما نتایج حاصله تا کنون راضی کننده نیست. لذا در این تحقیق با استفاده از الگوریتم شبیه سازی تبرید سعی در برطرف نمودن ایرادات مطالعات قبلی برای تعیین بازه های مناسب شده است. حاصل تحقیق مدل RBFTS است. برای مقایسه عملکرد مدل ارائه شده و مدل های موجود در ادبیات، از دو مسئله ی بورس تایفکس و پذیرش دانشگاه آلاباما که به عنوان مرجع مقایسه ی این دسته از مدل ها هستند استفاده شده است. نتایج حاصله نشان دهنده ی برتری مدل های ارائه شده نسبت به مدل های پیشین است. در نهایت به عنوان مورد اجرایی، دو مدل نامبرده برروی شاخص بازار بورس تهران اجرا شده و نتایج تحلیل گردید. تفاصيل المقالة -
حرية الوصول المقاله
49 - پیش بینی یک روزه قیمت سهام با استفاده از مدل ترکیبی
وحید وفائی قائینی علیمحمد کیمیاگریپیشبینی بازارهای مالی یکی از سرفصلهای مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیشبینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پ أکثرپیشبینی بازارهای مالی یکی از سرفصلهای مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیشبینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش بینی یک دوره ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و یک سری تقریبی تجزیه شده و سپس مدل ARMA-EGARCH برای پیش بینی سری های جزئی و شبکه عصبی مصنوعی برای پیش بینی سری تقریبی بکار گرفته می شوند. در این مدل علاوه بر سری تقریبی، برخی از شاخص های تکنیکال نیز برای بهبود شبکه عصبی به آن داده می شوند. ارزیابی مدل پیشنهادی برای پیش بینی قیمت در بازار ایران و آمریکا با مدل های شبکه عصبی مصنوعی، ARIMA-EGARCH و ARIMA-ANN نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر مدل ها برای پیش بینی قیمت سهام در بازار ایران و آمریکا دارد. تفاصيل المقالة -
حرية الوصول المقاله
50 - Benchmark Forecasting in Data Envelopment Analysis for Decision Making Units
M. Shafiee F. Hosseinzade Lotfi H. SalehAlthough DEA is a powerful method in evaluating DMUs, it does have some limitations. One of the limitations of this method is the result of the evaluation is based on previously data and the results are not proper for forecasting the future changes. So For this purpose, أکثرAlthough DEA is a powerful method in evaluating DMUs, it does have some limitations. One of the limitations of this method is the result of the evaluation is based on previously data and the results are not proper for forecasting the future changes. So For this purpose, we design feedback loops for forecasting inputs and outputs through system dynamics and simulation. Then we use DEA model to forecast the efficiency. تفاصيل المقالة -
حرية الوصول المقاله
51 - پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی
اسحاق فرجی محسن میرزائیان حمید پروین علی چمکوری مجید محمدپورپیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت ب أکثرپیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت بار الکتریکی استان پرداخته ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی پرسپترون (MLP Ensemble)، شبکه SVM(Support Vector Machine) و مجمعی از شبکه SVM به پیش بینی کوتاه مدت بار استان چهار محال و بختیاری پرداختیم. نتایج حاصل از مقایسه این چهار روش نشان می دهد که مجمعی از شبکه عصبی پرسپترون بهترین روش به منظور پیش بینی کوتاه مدت بار می باشد. تفاصيل المقالة -
حرية الوصول المقاله
52 - پایش و پیش بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف و مدلساز تغییر کاربری اراضی (مطالعة موردی: دشت برتش دهلران، ایلام)
سید رضا میر علیزاده فرد سیده مریم علی بخشیامروزه مدل سازی و پیش بینی تغییرات کاربری اراضی با استفاده از تصاویرماهواره ای می تواند ابزار بسیار مفیدی برای تشریح روابط متقابل بین محیط طبیعی و فعالیت های انسانی، برای کمک به تصمیم گیری برنامه ریزان در شرایط پیچیده باشد. روش های متنوعی برای پیش بینی تغییرات پوشش و کا أکثرامروزه مدل سازی و پیش بینی تغییرات کاربری اراضی با استفاده از تصاویرماهواره ای می تواند ابزار بسیار مفیدی برای تشریح روابط متقابل بین محیط طبیعی و فعالیت های انسانی، برای کمک به تصمیم گیری برنامه ریزان در شرایط پیچیده باشد. روش های متنوعی برای پیش بینی تغییرات پوشش و کاربری اراضی وجود دارد که از جمله آنها می توان به مدل زنجیره ای مارکوف اشاره کرد. در تحقیق حاضر، تغییرات کاربری اراضی در دشت برتش شهرستان دهلران واقع در استان ایلام به وسعت 135244 هکتار در سه دورة زمانی (1988، 2001 و 2013) تصاویر ماهواره لندست، تهیه نقشه کاربری اراضی در شش کلاس (جنگل کم تراکم، مرتع متوسط، مرتع فقیر، کشاورزی، رسوبات آبرفتی و اراضی بدون پوشش) با استفاده از طبقه بندی شبکه عصبی کوهونن و همچنین به کارگیری مدل پیش بینی مارکوف و رویکرد مدلساز تغییر کاربری اراضی LCM (Land Change Modeler) تغییرات کاربری اراضی برای سال 2030 پیش بینی شد. نتایج طبقه بندی نشان دهنده تخریب و کاهش میزان وسعت اراضی جنگل کم تراکم و مرتع متوسط و افزایش مساحت سایر کاربری می باشد. کاهش وسعت پوشش جنگل کم تراکم و مراتع متوسط و روند افزایشی سایر کاربری ها بیانگر تخریب کلی در منطقه و جایگزینی کاربری های ضعیف تر در منطقه است. در پایان با بکارگیری مدل پیش بینی مارکوف و رویکرد مدلساز LCM تغییرات کاربری اراضی برای سال 2030 پیش بینی شد. نتایج حاصل از ماتریس پیش بینی تغییرات بر مبنای نقشه های سال های 2001 و 2013 نشان داد که احتمال می رود در فاصلة زمانی 2030-2013، 45% جنگل کم تراکم، 71% مرتع متوسط، 96% مرتع فقیر، 81% کشاورزی، 93% رسوبات آبرفتی و 100% اراضی بدون پوشش بدون تغییر باقی بمانند، که اراضی بدون پوشش دارای بالاترین پایداری و از طرف دیگر جنگل کم تراکم کمترین پایداری را خواهند داشت. تفاصيل المقالة -
حرية الوصول المقاله
53 - تلفیق آیندهنگری جمعیت در ارائه سامانه پشتیبان تصمیمگیری مکانیابی دفن پسماند شهری (مطالعه موردی: استان قزوین)
زهرا اسدالهی نغمه مبرقعی دینان مصطفی کشتکارپیشینه و هدف گسترش شهرنشینی با افزایش جمعیت تولید پسماندهای جامد شهری را طی سالهای اخیر بهطور قابلملاحظهای سرعت بخشیده است. علیرغم اهمیت دفن مواد زائد جامد بهعنوان یکی از مهمترین بخشهای چرخه مدیریت پسماند، در حال حاضر دفن اصولی در بسیاری از مناطق ایران مورد غفلت أکثرپیشینه و هدف گسترش شهرنشینی با افزایش جمعیت تولید پسماندهای جامد شهری را طی سالهای اخیر بهطور قابلملاحظهای سرعت بخشیده است. علیرغم اهمیت دفن مواد زائد جامد بهعنوان یکی از مهمترین بخشهای چرخه مدیریت پسماند، در حال حاضر دفن اصولی در بسیاری از مناطق ایران مورد غفلت قرارگرفته است. اخیراً سیستم اطلاعات جغرافیایی (GIS) بهعنوان ابزاری مناسب برای استفاده در مطالعات انتخاب محل دفن پسماند شناختهشده است. علاوه بر این، تصمیمگیری چند معیاره روشی شناختهشده برای حل مشکلات پیچیده تصمیمگیری در انتخاب محل دفن پسماند است که یکی از روشهای شناختهشده آن فرآیند تحلیل سلسله مراتبی است. ازیکطرف انتخاب محل دفن پسماند مبتنی بر GIS شامل مراحل اصلی غربالگری و حذف مناطق نامناسب و رتبهبندی مناطق باقیمانده است. از طرف دیگر برنامهریزی مکانیابی دفن پسماند درگرو داشتن اطلاعات کافی از ویژگیهای جمعیتی دارد و با توجه به روند افزایشی رشد جمعیت، لزوم توجه به پیشبینی جمعیت در تصمیمگیریها دوچندان میشود. استان قزوین در حوزه مرکزی ایران در سال ۱۳۷۵ از استان تهران جدا شد. براساس سرشماری آبان 1395 جمعیت استان قزوین، 1273761 نفر بود که در مقایسه با آبان 1390 متوسط رشد سالانه جمعیت آن معادل 17/1 درصد بوده است. با توجه به تازه تأسیس بودن استان قزوین و افزایش جمعیت آن طی دهه گذشته، ضرورت مکانیابی محل مناسب دفن پسماند با پیشبینی رشد جمعیت احساس میشود. لذا پژوهش حاضر باهدف واردسازی کمترین آسیب به محیطزیست ﺑﺎ بهکارگیری رویکرد یکپارچه فرآیند تحلیل سلسله مراتبی- سیستم اطلاعات جغرافیایی GIS-AHP در تلفیق با آیندهنگری جمعیت به مکانیابی دﻓﻦ پسماندﻫﺎی ﺷﻬﺮی در استان قزوین پرداخته است.مواد و روش هاپژوهش حاضر طی سهگام اصلی مکانیابی اولیه دفن پسماند با روش ارزیابی چند معیاره MCE، تعیین مساحت موردنیاز دفن پسماند براساس آیندهنگری جمعیت تا افق 1425 و درنهایت مکانیابی نهایی دفن پسماند شهری با مدل تصمیمگیری مکانی تخصیص تک هدفه زمین در نرمافزار ایدریسی TerrSet انجام شد. در گام نخست، مکانیابی اولیه دفن پسماند براساس رویکرد یکپارچه GIS-AHP طی مراحل شناسایی و انتخاب معیارها، وزندهی معیارها، استانداردسازی معیارها و درنهایت ادغام معیارها با روش WLC انجام شد. در گام دوم، مساحت موردنیاز برای احداث مکان دفن پسماند شهری، بر اساس پیشبینی رشد جمعیت، سرانه تولید زباله (کیلوگرم در روز) و متوسط عمق آب زیرزمینی برآورد شد. بهمنظور محاسبه جمعیت استان قزوین تا سال 1425، نتایج گزارشهای مرکز پژوهشهای توسعه و آیندهنگری سازمان برنامهوبودجه استفاده شد که در این گزارشهای پیشبینی جمعیت استان قزوین تا افق 1425 با توجه به عوامل مؤثر شامل نرخ باروری، مرگومیر، مهاجرت و ترکیب سنی و جنسی جمعیت حاصلشده است. در گام سوم، مکانیابی نهایی دفن پسماند شهری با مدل تصمیمگیری مکانی تخصیص یک هدفه زمین در نرمافزار ایدریسی TerrSetانجام شد. نقشه توانسنجی اولیه حاصل از روش MCE بهعنوان ورودی پایه وارد مدل شد. همچنین شرط مساحت موردنیاز برآورد شده در گام دوم براساس آیندهنگری جمعیت اعمال شد. در این پژوهش دو سناریو اجرا شد. در سناریوی اول در انتخاب مکانهای نهایی دفن پسماند، شرط دارا بودن بیشترین ارزش نقشهای اعمال شد و در سناریوی دوم علاوه بر شرط ذکرشده، لزوم وجود بافر 10 کیلومتری برای هر یک از گزینههای انتخابی لحاظ گردید.نتایج و بحثدر پژوهش حاضر تعداد 7 معیار اصلی اکولوژیک و انسانی و 25 معیار فرعی جهت مکان یابی دفن مواد زائد جامد شهری در استان قزوین انتخاب شد. با دخالت دادن نتایج پرسشنامه های مقایسه زوجی، وزن نهایی هر معیار و زیرمعیار مشخص شد. پس از آماده سازی لایه های GIS و تشکیل پایگاه داده، هریک از لایه های فاکتور به تناسب توابع موجود در ابزار عضویت فازی استانداردسازی شده و با طیف هایی از اعداد بین صفر تا 255 که بیانگر درجه عضویت در مجموعه فازی است، طبقه بندی شدند. این تحقیق تکنیک AHP را در محیط GIS برای بررسی بهترین مکانهای دفن زباله در مقیاس استان قزوین اجرا نمود. سیستم اطلاعات جغرافیاییGIS ابزاری بسیار قدرتمند است که میتواند ارزیابی سریع از منطقه موردمطالعه برای تعیین محل مناسب دفن زباله ارائه دهد. همچنین تکنیکAHP برای حل آندسته از مشکلات پیچیدهای که ممکن است میان اهداف متعدد مسئله همبستگی وجود داشته باشد، مفید است. انتخاب معیارها یکی از مهمترین گامها در این تحقیق بود. در انتخاب سایت دفن پسماند باید عوامل محیطی را در کنار عوامل اقتصادی در نظر گرفت. بنابراین، هشت معیار اصلی فاصله از جاده، ارتفاع، شیب، جهت فاصله از مناطق مسکونی، فاصله از آبهای سطحی، فاصله از مناطق حفاظتشده، زمینشناسی، هیدرولوژی و کاربری اراضی را در پژوهش خود بکار گرفتند. در این تحقیق نیز سعی شد در کنار معیارهای یادشده، پارامترهای مختلف طبیعی و انسانی مانند فاصله از خطوط انتقال انرژی، فاصله از شهرکهای صنعتی و راهآهن و غیره نیز بکار گرفته شود تا جامعیت تحقیق حاضر دوچندان گردد. نقشه توانسنجی اولیه کاربری دفن پسماند حاصل از روش MCE با توجه به نمودار فراوانی ارزشهای آن با روش شکست طبیعی (Natural Break) طبقهبندی شد. شهرستانهای تاکستان، آبیک و بویینزهرا به ترتیب مساحتهای 50.15، 14.55 و 54.48 کیلومترمربع از توان خوب جهت دفن پسماند در سطح استان قزوین برخوردار بودند. مناطق ﻳﺎدﺷﺪه ﺑﻪ ﻟﺤﺎظ ﻓﺎﺻﻠﻪ از ﻣﺮاﻛﺰ ﺛﻘﻞ ﺟﻤﻌﻴﺘﻲ ﻧﻴﺰ در ﺑﻬﺘﺮﻳﻦ ﺷﺮاﻳﻂ ﻗﺮار داشتند. مکان یابی نهایی در دو سناریو با مدل تصمیمگیری مکانی SOLA اجرا شد. درنهایت سایت شماره یک از سناریو اول و دوم در شرق استان قزوین و در محدوده شهرستان بوئینزهرا و در نزدیکی روستای اله آباد و سایت شماره سه از سناریو دوم در فاصله 15 کیلومتری از مدیریت دفن پسماند در مرکز استان و سمت شرق روستای زین آباد بهعنوان اولویت معرفی شدند.نتیجه گیری لازم به ذکر است در کنار عدم تعیین محل مناسب برای دفع نهایی پسماندها در سالیان گذشته، تاکنون برنامه جامعی در زمینه کاهش تولید پسماند و اجرای طرحهای تفکیک از مبدأ در هیچیک از شهرستانهای موردمطالعه تهیه و اجرانشده است. شکلگیری بخش آیندهپژوهی در ساختار تشکیلاتی سیستمهای مدیریتی دفن پسماند نه تنها میتواند منجربه کاهش خطرات محیطزیستی شود بلکه پایداری در منابع اقتصادی و اجتماعی را بههمراه خواهد داشت. تفاصيل المقالة -
حرية الوصول المقاله
54 - پایش و پیش بینی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره ای لندست به روش سلول های خودکار و زنجیره مارکوف (مورد مطالعه: منطقه عباسآباد، استان مازندران)
عامر نیک پور حمید عمونیا الهه نورپسندیپیشینه و هدف امروزه تغییرات کاربری اراضی در بسیاری از کشورها به چالش مهمی تبدیلشده است که اثرات فراوانی بر محیط زیست می گذارند. بر همین اساس بررسی تغییرات کاربری اراضی در مقیاس های مختلف به عنوان یکی از موضوعات مهم در مدیریت درست منابع طبیعی و تغییرات زیست محیطی د أکثرپیشینه و هدف امروزه تغییرات کاربری اراضی در بسیاری از کشورها به چالش مهمی تبدیلشده است که اثرات فراوانی بر محیط زیست می گذارند. بر همین اساس بررسی تغییرات کاربری اراضی در مقیاس های مختلف به عنوان یکی از موضوعات مهم در مدیریت درست منابع طبیعی و تغییرات زیست محیطی در سطوح مختلف مطرح است. لذا آگاهی داشتن از تغییرات کاربری و بررسی علل و عوامل آنها در چند دوره زمانی و پیشبینی تغییرات کاربری اراضی در آینده می توان برنامه ریزی درستی را برای کاهش اثرات نامطلوب انجام داد که همین امر مورد توجه برنامه ریزان و مدیران شهری قرارگرفته است و به آنها در برنامه ریزی کاربری اراضی کمک شایانی می کند. همچنین تبدیل کاربری ها به یکدیگر و تغییر کاربری پوشش گیاهی به پهنه ساخته شده به عنوان موضوع مهم شناخته میشود. بر این اساس هدف این پژوهش پایش و پیش بینی تغییرات کاربری و پوشش اراضی منطقه شهری عباسآباد در آینده است؛ که با استفاده از این تغییرات میتوان اقدامات مناسب مدیریتی برای حفظ و احیا اراضی انجام داد.مواد و روش هاپیش بینی تغییرات کاربری اراضی از تلفیق مدل سلول های خودکار و زنجیره مارکوف در منطقه شهری عباس آباد با استفاده از تصاویر سنجنده TM و OLI ماهواره های لندست 8 و 5 اخذشده از سایت USGS انجام شد. چهار کلاس کاربری که شامل کلاس پهنه ساخته شده با کد شماره 1، کلاس پوشش گیاهی با کد شماره 2، کلاس منابع آبی با کد شماره 3 و کلاس اراضی بایر با کد شماره 4 برای منطقه شهری عباسآباد تفکیک شدند که این طبقه بندی از روش USGS اخذشده است. بهمنظور استخراج کلاس های کاربری اراضی بعد از چک نمودن چند روش نهایتاً از روش طبقهبندی شیءگرا و الگوریتم ماشین بردار پشتیبان (SVM) به دلیل کارایی بهتر استفاده گردید. ارزیابی صحت طبقه بندی تصاویر ماهواره ای بابیان دقت کلی و ضریب کاپا برای سه دوره زمانی انجام شد که هریک از این نقشه های طبقه بندی شده از طریق ترسیم ماتریس خطا مورد ارزیابی قرارگرفتهاند که برای تهیه این ماتریس از 250 نقطه نمونه استفاده شد و نوع نمونه برداری نیز به صورت نمونه برداری طبقه ای بود. همچنین برای مشخص شدن تغییرات کاربری اراضی در سال 2030 از نقشه های طبقه بندی شده استفاده شد و با کمک نرم افزارTerrSet تغییرات صورت گرفته در کلاس ها و درصد آنها به دست آمد و با استفاده از مدل CA-MARKOV تغییرات کلاس های مختلف براساس ماتریس احتمال انتقال پیش بینی شد.نتایج و بحثنتایج پژوهش در طی سالهای 1997، 2006 و 2017 بیانگر این است که پهنه ساخته شده روند افزایشی داشته است و کاربری های پوشش گیاهی، اراضی بایر و منابع آبی دارای روند کاهشی بودهاند و 23279هکتار از اراضی منطقه را پهنه ساخته شده به خود اختصاص داده است. ضریب کاپا محاسبه شده در این ارزیابی برای سال های 1997، 2006 و 2017 به ترتیب 0.86، 0.89 و 0.89 است. مدل پیش بینی زنجیره مارکوف با دقت بالای 85 درصد بیان کرد که روند تغییرات کاربری اراضی برای سال 2030 همانند سال های قبل خواهد بود و این نشان دهنده این است که تبدیل و تغییر کاربری ها همانند قبل پیش خواهد رفت و ذکر این نکته هم ضروری است که کاربری های همسان پوشش گیاهی به پوشش گیاهی در طی سال های 2006 تا 2017 هم بیشترین مساحت را شامل میشود و این نشان دهنده این است که در این منطقه، پوشش گیاهی همچنان پابرجاست و کمتر دچار تغییرات شده است.نتیجه گیری خروجی نقشه پیشبینی 13 ساله برای سال 2030 در این پژوهش از دقت مناسب مدل CA-MARKOV حکایت دارد. علاوه بر این خروجی نشان می دهد میتوان به این روش برای برنامه ریزی کوتاهمدت اعتماد نمود. این نقشه های پیش بینی می توانند راهنمای خوبی برای مدیران و برنامه ریزان شهری باشند. برای دست یافتن به نتایج بهتر پیشنهاد می شود که از تلفیق مدل سلول های خودکار و زنجیره مارکوف برای پایش و پیش بینی تغییرات در سطح کشور استفاده شود. نتایج به دست آمده از این پژوهش علاوه بر اینکه در کاهش حجم داده های ورودی کمک فراوانی می کند، بلکه در پردازش تصاویر طبقه بندی شده و در پیشبینی آن ها برای آینده هم نقش بسزایی دارد. تفاصيل المقالة -
حرية الوصول المقاله
55 - یک روش ترکیبی پیشبینی بلندمدت تقاضا در زنجیره تأمین انرژی الکتریکی صنایع تولید فلزات اساسی در حضور دادههای ناقص
سپهر معلم رویا محمدعلی پوراهری غضنفر شاهقلیان مجید معظمی سید محمد کاظمیرشد اقتصادی هر کشوری ارتباط زیادی با زیرساخت های زنجیره تأمین انرژی الکتریکی و قابلیت دسترسی کم هزینه به آن دارد. بالا بردن تاب آوری زنجیره تأمین انرژی الکتریکی جهت قابلیت پاسخگویی به تقاضای لحظه ای مشترکین پرمصرف و استراتژیک چالشی است که بدون در نظر گرفتن پیش بینی بلند أکثررشد اقتصادی هر کشوری ارتباط زیادی با زیرساخت های زنجیره تأمین انرژی الکتریکی و قابلیت دسترسی کم هزینه به آن دارد. بالا بردن تاب آوری زنجیره تأمین انرژی الکتریکی جهت قابلیت پاسخگویی به تقاضای لحظه ای مشترکین پرمصرف و استراتژیک چالشی است که بدون در نظر گرفتن پیش بینی بلندمدت تقاضا و برنامه ریزی توسعه یکپارچه این زنجیره ممکن نخواهد بود. در این مقاله یک رویکرد پیش بینی بلندمدت تقاضا در زنجیره تأمین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از ترکیب تبدیل موجک، شبکه عصبی مبتنی بر یادگیری عمیق (LSTM) و در نهایت ادغام نتایج با تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید تنظیم شده پیشنهاد شده است. شرکت مورد مطالعه در این تحقیق از تأمین کنندگان اصلی مواد اولیه در زنجیره تأمین صنایع تولید فلزات اساسی و یکی از ده صنعت انرژی بر در زنجیره تأمین انرژی الکتریکی استان اصفهان است. تنها اطلاعات موجود و در دسترس از این شرکت سری زمانی سیگنال تقاضای تاریخی انرژی الکتریکی این صنعت در یک بازه زمانی 40 ماهه و به صورت 24 ساعته می باشد. داده ها در سری زمانی مورد مطالعه منقطع است به طوریکه فقط 50 درصد از داده ها دارای مقدار و50 درصد مابقی صفر می باشد. این نقصان داده و عدم امکان دسترسی به داده های مکمل و ویژگی های مؤثر جهت پیش بینی باعث کاهش تراکم داده ها شده و امکان پیش بینی تقاضای بلندمدت را نسبت به سری های زمانی پیوسته با مشکلات بیشتری روبرو می کند. آنالیزآماری بکار رفته نشان داد که داده های سالانه و فصلی از توزیع نرمال پیروی نمی کند و دارای تورش و ناهمگونی بالایی می باشد. روش پیشنهادی و نتایج حاصل از آن با سایر روش های موجود مورد مقایسه قرار گرفته است. نتایج حاصل از 10 تکرار روش های ماشین یادگیری شدید نشان می دهد که تکنیک (RELM) با سطح اطمینان بالای 95% از سایر روش های یادگیری ماشین مؤثر تر و نتایج دقیق تری دارد. تفاصيل المقالة -
حرية الوصول المقاله
56 - ارائه مدل جدید برای تشخیص سریع بیماریهای حاد تنفسی با استفاده از الگوریتمهای یادگیری ماشین
مهران نظامی عوض نقیپور بهنام صفیری ایرانقکرونا ویروس، ویروس سارس و آنفلوانزای خوکی یک بیماری ناشی از سندروم حاد تنفسی است. این ویروسها به سبب سرایت فوری در بین انسانها نیاز به ابزارهای پیشرفته برای شناسایی عوامل خطرناک مرگومیر با دقت بالا نیاز دارند. روشهای یادگیری ماشین مستقیماً به این موضوع میپردازند و أکثرکرونا ویروس، ویروس سارس و آنفلوانزای خوکی یک بیماری ناشی از سندروم حاد تنفسی است. این ویروسها به سبب سرایت فوری در بین انسانها نیاز به ابزارهای پیشرفته برای شناسایی عوامل خطرناک مرگومیر با دقت بالا نیاز دارند. روشهای یادگیری ماشین مستقیماً به این موضوع میپردازند و ابزارهای ضروری برای شناخت و هدایت مداخلات بهداشت عمومی هستند. در این مقاله از یادگیری ماشین برای بررسی اهمیت جمعیتشناختی و بالینی استفاده شده است. ویژگیهای مورد بررسی شامل سن، جنسیت، تب، کشورها و جزئیات بالینی مانند سرفه، تنگینفس و ... میباشند. چندین الگوریتم یادگیری ماشین روی دادههای جمعآوریشده، پیادهسازی و اعمال گردیده که الگوریتم K - نزدیکترین همسایه با بالاترین دقت (بیش از 97%) برای پیشبینی و انتخاب ویژگیهایی که بهدرستی وضعیت ویروسها را نشان میدهد، عمل میکند. تفاصيل المقالة -
حرية الوصول المقاله
57 - Applying Optimized Mathematical Algorithms to Forecast Stock Price Average Accredited Banks in Tehran Stock Exchange and Iran Fara Bourse
Negar Aghaeefar Mohammad Ebrahim Mohammad Pourzarandi Mohammad Ali Afshar Kazemi Mehrzad MinoieThe effective role of capital in every country flows through giving guidelines for capital and resources, generalizing companies and sharing development projects with public, and also adding accredited companies stock market requires appropriate decision making for shar أکثرThe effective role of capital in every country flows through giving guidelines for capital and resources, generalizing companies and sharing development projects with public, and also adding accredited companies stock market requires appropriate decision making for shareholders and investors who are willing to buy shares based on price mechanism. Forecasting stock price has always been a challenging task, since it is affected by many economic and non-economic factors and variables; therefore, selecting the best and the most efficient forecasting model is tough and essential. Up to now applying weighted mean called weighted mean price has been used to forecast industry average price for companies in the stock market and investors were forecasting based on this method. First we have identified 10 accredited banks in TSE and 10 banks in Iran Fara Bourse. In this article, by applying one of the mathematical optimizing techniques, industry means got calculated based on optimized parameters and compared with the industry average; in this statement we strived to find another variable that could forecast with less deviation. In the following study, by calculating frequency level of deviations, average for price forecasting in banking industry during five years is examined. Finally, the research suggests that, instead of using mean of industry average, it is better to use mean average of golden number, which will lead us to more accurate results. تفاصيل المقالة -
حرية الوصول المقاله
58 - Information Asymmetry with Emphasis on the Role of Financial and Managerial Criteria Based on Fuzzy Logic and Artificial Neural Networks
Mohammad Amir Golshani Mehrdad Ghanbari Babak Jamshidi Navid Forouzan Mohammadi YarijaniThis paper addresses the absence of a suitable criterion for measuring information asymmetry between managers forecasting earnings and analysts forecasting earnings through statistical methods. Besides, this paper aims to provide a model of information asymmetry, emphas أکثرThis paper addresses the absence of a suitable criterion for measuring information asymmetry between managers forecasting earnings and analysts forecasting earnings through statistical methods. Besides, this paper aims to provide a model of information asymmetry, emphasizing the role of financial and managerial criteria. This is applied qualitative and quantitative research (mixed method). The library method is used to prepare and formulate theoretical bases. In addition, the field method is used for collecting data to measure and identify indices and modeling. Factor analysis was used to analyze the data, following identifying the dimensions and variables of financial and managerial criteria of information symmetry to eliminate extraneous factors and classify. The following five main dimensions were determined, including corporate profit forecast, corporate governance, capital market, capital return, and management characteristics of the company. Then, the modeling was done using fuzzy mathematics through triangular numbers, Mamdani implication, and center of gravity methods. The final results of the study of the company listed on the Tehran Stock Exchange show that the level of information symmetry in the range of zero to 100 equals 55.1, to predict the company's profit is 48.54; corporate governance is 56.95; the capital market is 1/59; capital return is 61.07, and managerial characteristics of the company are 67.84. Finally, we examined the factors affecting the information asymmetry obtained from fuzzy neural networks. The findings show a higher prediction accuracy of fuzzy neural network methods than other related prediction methods. تفاصيل المقالة -
حرية الوصول المقاله
59 - Interval Forecasting of Stock Price Changes using the Hybrid of Holt’s Exponential Smoothing and Multi-Output Support Vector Regression
Sayyed Mohammadreza Davoodi Mahdi RabieiGiven the importance of investment in stock markets as a major source of income for many investors, there is a strong demand for models that estimate the future behavior of stock prices. Interval forecasting is the process of predicting an interval characterized by two أکثرGiven the importance of investment in stock markets as a major source of income for many investors, there is a strong demand for models that estimate the future behavior of stock prices. Interval forecasting is the process of predicting an interval characterized by two random variables acting as its upper and lower bounds. In this study, a hybrid method consisting of Holt’s exponential smoothing and multi-output least squares support vector regression is used to forecast the interval of the lowest and highest prices in a stock market. First, Holt’s smoothing method is used to smooth the two bounds of the interval and then the residuals of the smoothing process are modeled with multi-output vector support regression. The output of the regression step is the error of the two bounds of the interval. The method is implemented on the weekly data of the overall index of the Tehran Stock Exchange from 1992 to 2016, with the interval defined as the distance between the lowest and highest overall index values. The results demonstrate the high accuracy of the hybrid method in producing in-sample and out-of-sample forecasts for the movement of the two bounds of the interval, that is, the weekly highs and lows of the overall index. Also, the hybrid method has achieved a lower mean squared error than the Holt’s smoothing method, indicating that multi-output vector support regression has improved the performance of the smoothing method تفاصيل المقالة -
حرية الوصول المقاله
60 - Investigate the Economic Consequences to the Timing of Earnings News Forecast for Accepted Corporates in Tehran Securities Exchange
Asghar Karimi Khorami Alireza Zareie Sodani Saeed Ali AhmadiCorporate managers can share information about the financial status and corporate future perspective with stockholders in different ways. In recent years, the corporate program for maximizing the appropriate reaction of Securities Exchange to corporate position performa أکثرCorporate managers can share information about the financial status and corporate future perspective with stockholders in different ways. In recent years, the corporate program for maximizing the appropriate reaction of Securities Exchange to corporate position performance and minimizing the inappropriate reaction to their negative performance has been considered by analysts and accounting researchers. In this research we use the multivariate regression model to test the hypotheses and our statistical population is Tehran stock Exchange corporate. After sampling, 64 corporates have been selected during 2014to 2018. And to test hypotheses Multivariate regression has been used According to the results obtained Managers change timing to hide The bad news is that they are using the stock market after hours after the stock market Managers while have made less use of the weekend and busy days to hide bad news The results also show that companies have used time changes to highlight good news rather than hide bad news So to investors and other users It is advisable to pay attention to the time changes of the forecast profit, to make a more correct decision. تفاصيل المقالة -
حرية الوصول المقاله
61 - Hybrid Multilayer Perceptron Neural Network with Grey Wolf Optimization for Predicting Stock Market Index
Meysam Doaei Seyed Ahmad Mirzaei Mohammad RafighStock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelli أکثرStock market forecasting is a challenging task for investors and researchers in the financial market due to highly noisy, nonparametric, volatile, complex, non-linear, dynamic and chaotic nature of stock price time series. With the development of computationally intelligent method, it is possible to predict stock price time series more accurately. Artificial neural networks (ANNs) are one of the most promising biologically inspired techniques. ANNs have been widely used to make predictions in various research. The performance of ANNs is very dependent on the learning technique utilized to train the weight and bias vectors. The proposed study aims to predict daily Tehran Exchange Dividend Price Index (TEDPIX) via the hybrid multilayer perceptron (MLP) neural networks and metaheuristic algorithms which consist of genetic algorithm (GA), particle swarm optimization (PSO), black hole (BH), grasshopper optimization algorithm (GOA) and grey wolf optimization (GWO). We have extracted 18 technical indicators based on the daily TEDPIX as input parameters. Therefore, the experimental result shows that grey wolf optimization has superior performance to train MLPs for predicting the stock market in metaheuristic-based. تفاصيل المقالة -
حرية الوصول المقاله
62 - A Study of the Effective Factors on Error of Forecasting Technical Analysis Indicators in Iran Stock Exchange (NNARX Approach)
Hamed Tavakolipour Faegh Ahmadi Bizhan Abedini Mohammad Hossein RanjbarIt is well documented that using linear models to forecast plenty of financial observations due to their nonlinearity is not satisfactory. Therefore, in this paper, the technical analysis indicators are forecasted using Neural Network Auto-Regressive model with eXogenou أکثرIt is well documented that using linear models to forecast plenty of financial observations due to their nonlinearity is not satisfactory. Therefore, in this paper, the technical analysis indicators are forecasted using Neural Network Auto-Regressive model with eXogenous inputs (NNARX). Then the effect of different factors (economic, systematic risk, company's properties and corporate governance) on their forecasting error (eRSI, eMA1, eMA2 and eMACD) was investigated. For this purpose, required data were collected using the removal sampling method for 323 companies listed on the Tehran Stock Exchange from 2014-2020. In addition, the mean absolute percentage error (MAPE) was applied to measure the error of forecasting technical analysis indicators. NNARX and dynamic panel data models (GMM) were used to study the effective factors on the error of forecasting technical analysis indicators. Results indicated that the error of forecasting technical analysis indicators is less than 0.1 and has sound accuracy. Also, the company's size and corporate governance indicators didn't significantly affect the error of forecasting technical analysis indicators. In addition, financial leverage doesn't significantly affect eRSI and eMACD but has a significant inverse effect on eMA1 and eMA2. On the other hand, return on assets has a significant inverse effect on eRSI, eMA1, eMA2 and eMACD. Also, economic recession and prosperity, inflation fluctuations, exchange rate fluctuations and systemic risk have a significant positive effect on eRSI, eMA1, eMA2 and eMACD. تفاصيل المقالة -
حرية الوصول المقاله
63 - Comparison of Selected Performance of Portfolio Investment Companies by Using of Grey Forecasting and Johnson’s Index in Tehran Stock Exchange Market
Rahmatollah Mohammadi pour Zhaleh Alavimoghadam Adel FatemiThe purpose of resent research is to analysis and compares performance evaluation models of selected investment companies in Tehran Stock Exchange Market in the field of their portfolio management. The duration of research was between years 2009-2014. Statistical societ أکثرThe purpose of resent research is to analysis and compares performance evaluation models of selected investment companies in Tehran Stock Exchange Market in the field of their portfolio management. The duration of research was between years 2009-2014. Statistical society the research is consisting of all active investment companies in in Tehran Stock Exchange Market which were 30 companies. Volume of research sample is by using of omit systematic method and also is by considering time of accepting in stock consisting of 14 companies. Data of research which are done based on compare couple and also gathered by financial ratio. Analysis process technic is used for compare couple analysis and used criteria weight determine in ash analysis. For determining company's priority based on financial ratio and weights of any of these companies; grey analysis is used. In present research all of the relations are approved by gain results. The result shows that there is no significant difference between obtained rankings by using of grey Forecasting Johnson ranking; it could be claim that there is no priority between grey forecasting and Johnson ranking. Results based on ranking of tested companies showed that criteria that used in this research were in same direction with liquidity criteria, so it is a confirmation of the fact that economic and accounting criteria could be a good and appropriate base for investors in selecting portfolio; and also that used criteria in the research is very powerful criteria for companies’ performance assessment. تفاصيل المقالة -
حرية الوصول المقاله
64 - Application of HS Meta-heuristic Algorithm in Designing a Mathematical Model for Forecasting P/E in the Panel Data Approach
Mozhgan Safa Hossein PanahianIn financial markets such as Tehran Stock Exchange, P/E coefficient, which is one of the most well-known instruments for evaluating stock prices in financial markets, is considered necessary for shareholders, investors, analysts and corporate executives. P/E is used as أکثرIn financial markets such as Tehran Stock Exchange, P/E coefficient, which is one of the most well-known instruments for evaluating stock prices in financial markets, is considered necessary for shareholders, investors, analysts and corporate executives. P/E is used as an important indicator in investment decisions. In this research, harmony search metaheuristic algorithm is used to select optimal variables affecting P/E and then, modelling is done through multivariate regression based on panel data. For this purpose, a sample of 87 companies has been selected from listed companies in the Tehran Stock Exchange during a 10-year period (2006-2015). The results indicate the effect of the variables of stock returns, stock price to book value ratio, price to net selling ratio, return on assets, earnings per share, market value to book value, money volume, operating return margin, return on capital, and current assets, as top ten variables, on P/E ratio, which estimates a total of 86% of the P/E ratio changes. تفاصيل المقالة -
حرية الوصول المقاله
65 - Forecasting Stock Trend by Data Mining Algorithm
Sadegh Ehteshami Mohsen Hamidian Zohreh Hajiha Serveh ShokrollahiStock trend forecasting is a one of the main factors in choosing the best investment, hence prediction and comparison of different firms’ stock trend is one method for improving investment process. Stockholders need information for forecasting firm’s stock t أکثرStock trend forecasting is a one of the main factors in choosing the best investment, hence prediction and comparison of different firms’ stock trend is one method for improving investment process. Stockholders need information for forecasting firm’s stock trend in order to make decision about firms’ stock trading. In this study stock trend, forecasting performs by data mining algorithm. It should mention that this research has two hypotheses. It aimed at being practical and it is correlation methodology. The research performed in deductive reasoning. Hypotheses analyzed based on collected data from 180 firms listed in Tehran stock exchange during 2009-2015. Results indicated that algorithms are able to forecast negative stock return. However, random forest algorithm is more powerful than decision tree algorithm. In addition, stock return from last three years and selling growth are the main variables of negative stock return forecasting. تفاصيل المقالة -
حرية الوصول المقاله
66 - Machine learning algorithms for time series in financial markets
Mohammad Ghasemzadeha Naeimeh Mohammad-Karimi Habib Ansari-SamaniThis research is related to the usefulness of different machine learning methods in forecasting time series on financial markets. The main issue in this field is that economic managers and scientific society are still longing for more accurate forecasting algorithms. Fu أکثرThis research is related to the usefulness of different machine learning methods in forecasting time series on financial markets. The main issue in this field is that economic managers and scientific society are still longing for more accurate forecasting algorithms. Fulfilling this request leads to an increase in forecasting quality and, therefore, more profitability and efficiency. In this paper, while we introduce the most efficient features, we will show how valuable results could be achieved by the use of a financial time series technical variables that exist on the Tehran stock market. The suggested method benefits from regression-based machine learning algorithms with a focus on selecting the leading features to find the best technical variables of the inputs. The mentioned procedures were implemented using machine learning tools using the Python language. The dataset used in this paper was the stock information of two companies from the Tehran Stock Exchange, regarding 2008 to 2018 financial activities. Experimental results show that the selected technical features by the leading methods could find the best and most efficient values for the parameters of the algorithms. The use of those values results in forecasting with a minimum error rate for stock data. تفاصيل المقالة -
حرية الوصول المقاله
67 - تحلیل روند پیش بینی ماهانه باتوجه به سطوح مختلف قیمت محصولات کشاورزی (مطالعه موردی سیب زمینی و گوجه فرنگی)
سید احسان ظهوری رضا مقدسی عین اله حسامیهدف مطالعه حاضر، این بوده است که تعیین گردد براساس قیمتهای ماهانه سیب زمینی و گوجه فرنگی، بطور نسبی در سال هایی با روند قیمتی بالا و سال هایی با روند قیمتی پایین، پیشبینیها تحت تأثیر میگیرند و یکسان انجام میشوند؟ تجزیه و تحلیل و پیش بینی قیمتها در ماههای برداشت دو م أکثرهدف مطالعه حاضر، این بوده است که تعیین گردد براساس قیمتهای ماهانه سیب زمینی و گوجه فرنگی، بطور نسبی در سال هایی با روند قیمتی بالا و سال هایی با روند قیمتی پایین، پیشبینیها تحت تأثیر میگیرند و یکسان انجام میشوند؟ تجزیه و تحلیل و پیش بینی قیمتها در ماههای برداشت دو محصول طی سالهای 1400-1375 از طریق آزمونt و تحلیل رگرسیون خطی، انجام شده است. نتایج نشاندهنده معنی دار بودن پیشبینیها برای سالهایی با سطوح قیمتی متوسط و بالا بوده ضمن اینکه فرضیه تحقیق در خصوص پیشیبینی روند قیمت، بیشتر برای محصول سیب زمینی درسطح قیمتی بالا تایید گردیده است. از نتایج این تحقیق و موارد مشابه آن در پیشبینی قیمتها در جهت مدیریت تولید این محصولات، تنظیم بازار و همچنین رفاه مصرف کنندگان درفصول مختلف سال درکشور میتوان بهره برد. از جمله راهکارها در مواردی که عرضه انبوه همراه کاهش قیمت یا کمبود تولید همراه افزایش قیمت آن بوجود می آید، ارائه الگو و کشت تکلیفی با توجه به مزیت نسبی در استانها و مناطق مختلف می باشد. تفاصيل المقالة -
حرية الوصول المقاله
68 - Forecasting and Sensitivity Analysis of Monthly Evaporation from Siah Bisheh Dam Reservoir using Artificial neural Networks combined with Genetic Algorithm
آزاده محمدیان شوئیلی حسن فتحیان مهدی اسدی لورEvaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods أکثرEvaporation process, the main component of the water cycle in nature, is essential in agricultural studies, hydrology and meteorology, the operation of reservoirs, irrigation and drainage systems, irrigation scheduling and management of water resources. Various methods have been presented for estimating evaporation from free surface including water budget method, evaporation from pan and experimental equations that each of these methods is coupled with the restriction and measurement error. Early the new technique using Artificial Neural Networks (ANNs) based on artificial intelligence has been widely used in various scientific fields, particularly water engineering. In this study, the amount of monthly evaporation from the Siah Bisheh dam reservoir was forecasted up 3 next month using Multi-Layer Perceptron (MLP), Radial Basis Function (RBF) and Feed Forward (FF), of ANNs. The genetic algorithm was used for efficient input variables selection and number of neurons in hidden layer of ANNs. The results showed that the correlation coefficient between measured and computed outputs using RBF, MLP and FF models were 0.92%, 0.90% and 0.88% respectively in the estimation and forecasting of evaporation from the dam reservoir. Therefore the RBF model had more precision rather than MLP and FF models in the estimation and forecasting of monthly evaporation. The results of sensitivity analysis showed that the monthly evaporation from the dam reservoir up 3 next month had most sensitivity to the time of evaporation per month, air pressure on ground surface in 2, 3 and 1 months ago, wind speed on 1000mb pressure in 3 and 2 months ago and air temperature on 300mb pressure in current time respectively. تفاصيل المقالة -
حرية الوصول المقاله
69 - ترکیب بهینه پیش بینی در زنجیره تأمین چهار سطحی با هدف کمینه نمودن اثر شلاق چرمی
Maryam Daneshmand-Mehr Marzban Najafi Ramin Sadeghianاثر شلاق چرمی که در زنجیره اتفاق می افتد، منجر به ناکارآمدیهایی همچون موجودی اضافی و سفارشات عقب افتاده در طول زنجیره میگردد. انجام پیشبینی مناسب می تواند تا حدود زیادی این مشکلات را مرتفع سازد. با توجه به اینکه زنجیره تأمین دارای سطوح مختلفی میباشد، لازم است پیشبی أکثراثر شلاق چرمی که در زنجیره اتفاق می افتد، منجر به ناکارآمدیهایی همچون موجودی اضافی و سفارشات عقب افتاده در طول زنجیره میگردد. انجام پیشبینی مناسب می تواند تا حدود زیادی این مشکلات را مرتفع سازد. با توجه به اینکه زنجیره تأمین دارای سطوح مختلفی میباشد، لازم است پیشبینی در هر سطحی از زنجیره انجام شود. این مقاله به بررسی مسأله ترکیب بهینه پیش بینی جهت کاهش اثر شلاق چرمی در زنجیره تأمین چهار سطحی می پردازد. برای این منظور یک زنجیره تأمین چهار سطحی در نظر گرفته شده است که در هر یک از سطوح آن، یکی از روش-های میانگین متحرک، هموارسازی نمایی، رگرسیون خطی و شبکه عصبی مصنوعی پرسپترون چند لایه را برای پیش بینی مورد استفاده قرار می-دهد. برای این منظور نخست نسبت به شبیه سازی زنجیره تأمین مورد نظر اقدام و سپس نتایج با استفاده از روش تحلیل واریانس مورد آزمون قرار گرفتهاند. از بین ترکیبات، دو ترکیب روشهای پیشبینی با کمترین اثر شلاق چرمی بدست آمده است. میانگین متحرک، شبکه عصبی، هموارسازی نمایی و رگرسیون خطی به ترتیب برای سطح های خرده فروش، عمده فروش، تولید کننده و تامین کننده به عنوان یک جواب و دیگری به شکل میانگین متحرک، هموار سازی نمایی، شبکه عصبی و رگرسیون خطی با همان ترتیب سطوح یاد شده در زنجیره تامین میباشند و ترکیبات دیگر از مطلوبیت کمتری برخوردارند. تفاصيل المقالة -
حرية الوصول المقاله
70 - Predicting Land Changes in River Margin and Urban Areas by Remote Sensing and GIS
ehsan izadi Ali Akbar JamaliToday, the rapid growth of the world's urban population, especially in developing countries, has created many problems in various fields. Among these, land-use change is of great importance. Modeling and predicting future land-use changes has become increasingly importa أکثرToday, the rapid growth of the world's urban population, especially in developing countries, has created many problems in various fields. Among these, land-use change is of great importance. Modeling and predicting future land-use changes has become increasingly important for urban and environmental management and other relevant authorities and researchers. The main purpose of this study is to apply cellular automata (CA) Markov models based on spatial information system to simulate and predict land-use change. Landsat satellite imagery was prepared during the three periods of late June 1986, 2001, and 2016. Then land use maps of the study area were obtained by classifying the maps. The تفاصيل المقالة -
حرية الوصول المقاله
71 - Neural Networks in Electric Load Forecasting:A Comprehensive Survey
Vahid Mansouri Mohammad Esmaeil akbariReview and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are أکثرReview and classification of electric load forecasting (LF) techniques based on artificial neuralnetworks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANNoriented applications for forecasting are given in the literature. These are classified into five groups:(1) ANNs in short-term LF, (2) ANNs in mid-term LF, (3) ANNs in long-term LF, (4) Hybrid ANNs inLF, (5) ANNs in Special applications of LF. The major research articles for each category are brieflydescribed and the related literature reviewed. Conclusions are made on future research directions. تفاصيل المقالة -
حرية الوصول المقاله
72 - پیش بینی نرخ ارز با استفاده از روش های آینده پژوهی و بررسی تاثیر نوسانات ارزی بر عملکرد شرکت ها: مطالعه موردی شرکت دخانیات ایران
علیرضا فتحی نیا علی بدیع زادهنرخ ارز همواره از اولویت و جذابیت بالایی در جامعه و به خصوص بین شرکت ها برخوردار است برای پیش بینی نرخ ارز روش های متفاوتی به کار گرفته می شود که از میان آن ها روش های ساختاری به عنوان روش های تحلیل بنیادین، دقت کمی در پیش بینی دقیق نرخ ارز دارند اما به عنوان چشم انداز أکثرنرخ ارز همواره از اولویت و جذابیت بالایی در جامعه و به خصوص بین شرکت ها برخوردار است برای پیش بینی نرخ ارز روش های متفاوتی به کار گرفته می شود که از میان آن ها روش های ساختاری به عنوان روش های تحلیل بنیادین، دقت کمی در پیش بینی دقیق نرخ ارز دارند اما به عنوان چشم انداز بلند مدت بسیار مفید بوده و روند حرکتی نرخ ارز را روشن می سازند. برای جبران کاستی این دسته از روش ها، می توان از بررسی های تکنیکال بهره برد. با استفاده از تکنیک های آینده پژوهی سعی شده است تا علاوه بر پوشش خلا مطالعاتی تکنیک های آینده پژوهی در پیش بینی نرخ ارز، خطاهای ناشی از روش های کمی نیز به حداقل رسانده شود تا شرکت ها برای وقوع حالت های مختلف آمادگی داشته باشند. در بخش پایانی مقاله تاثیر نوسانات ارزی بر روی شاخص های عملکردی شرکت دخانیات طی سه سال اخیر مورد بررسی قرار گرفته است. نتایج بررسی حاکی از آن است که نوسانات ارزی نخستین و بیشترین تاثیر را بر روی روند اجرای طرح های توسعه ای می گذارد و هم چنین شوک های اقتصادی ناگهانی به صورت آنی در عملکرد شرکت ها انعکاس پیدا نکرده و به دلیل وجود ضربه گیرهایی نظیر موجودی در انبار، خریدهای استقراضی و ایجاد بدهی های بلند مدت، با گذشت زمان رفته رفته تاثیر خود را گذاشته و عملکرد شرکت را تضعیف می نمایند. تفاصيل المقالة -
حرية الوصول المقاله
73 - پیش بینی نوسانات روزانه و ارزش در معرض خطر برای دادههای با فراوانی بالا
امیر محمدزاده سحر مسعودزادگاننوسان یکی از مهمترین جنبههای توسعه بازارهای مالی است و نقشی اساسی را در مدیریت پرتفوی، قیمتگذاری اختیار معاملات و قوانین حاکم بر بازار، ایفا میکند. به طور کلی مؤسسات مالی و اقتصادی با چهار نوع ریسک اعتباری، عملیاتی، نقدینگی و بازار مواجه هستند. در حال حاضر متداولتر أکثرنوسان یکی از مهمترین جنبههای توسعه بازارهای مالی است و نقشی اساسی را در مدیریت پرتفوی، قیمتگذاری اختیار معاملات و قوانین حاکم بر بازار، ایفا میکند. به طور کلی مؤسسات مالی و اقتصادی با چهار نوع ریسک اعتباری، عملیاتی، نقدینگی و بازار مواجه هستند. در حال حاضر متداولترین معیار سنجش ریسک بازار روش ارزش در معرض خطر میباشد. بنا به تعریف، ارزش در معرض خطر حداکثر زیانی است که ممکن است در یک دوره زمانی معین (معمولا یک روزه) و با در نظر گرفتن یک سطح اطمینان مشخص در پرتفویی از دارائیها رخ دهد.در این پژوهش برای پیشبینی ارزش در معرض خطر برای نوسانات کمتر از یک روز، اطلاعات قیمت 6 صنعت و از هر صنعت 3 شرکت، در فاصلههای زمانی 30 دقیقهای در بازه زمانی 1/11/91 لی 1/4/92 استخراج و با توجه شرایط حاکم بر دادهها از مدل گارچ (1و1) برای برآورد واریانس استفاده گردید. همچنین در خصوص باقیماندههای برآورد دو فرض نرمال بودن و پیروی از توزیع t در نظر گرفته شد و از این رو در مجموع 6 مدل برای شش صنعت مورد ارزیابی قرار گرفت.تمامی شش مدل انتخابی در مجموع مدلهای مناسبی به جهت ضریب تعیین، معنیداری ضرایب و مقدار آماره دوربین واتسون بودهاند. از این رو در برآورد واریانس و پیشبینی ارزش در معرض خطر از تمامی مدلها در سطح اطمینان 95% استفاده شد. نتایج حاکی از آن بود که گروه صنایع فلزات اساسی به جهت نوسانات روزانه در بازههای زمانی 30 دقیقهای دارای ارزش در معرض خطر پیشبینی شده بسیار بالاتری نسبت به سایر صنایع انتخابی میباشند. تفاصيل المقالة -
حرية الوصول المقاله
74 - An Assessment Method for Project Cash Flow under Interval-Valued Fuzzy Environment
Vahid Mohagheghi SEYED meysam mousavi Behnam VahdaniEffective project management requires reliable knowledge of cash required in different stages of project life cycle. Getting this knowledge is highly dependent on sophisticated consideration of project environment. Nature of projects and their environments are associate أکثرEffective project management requires reliable knowledge of cash required in different stages of project life cycle. Getting this knowledge is highly dependent on sophisticated consideration of project environment. Nature of projects and their environments are associated with uncertain conditions. In this paper, a new project cash flow assessment method based on project scheduling is proposed to foresee projects' cash flow in their different stages. Interval-valued fuzzy sets (IVFSs) are applied to address the uncertainty of activity durations and costs. First, an IVF-project scheduling method is proposed to calculate early start time and early finish time of activities under IVF-environment and based on that, a new method of cash flow assessment is introduced under IVF-environment. For the purpose of illustration, the proposed method is implemented to generate cash flow of main activities of a large-scale project. The results show the flexibility of presented assessment method in expressing uncertainty, in addition to its capability in risk evaluation. Furthermore, using alpha-cuts to address different levels of uncertainty and risk provides a comprehensive insight of the cash required in different stages of project life cycle under different levels of risk and uncertainty. Finally, the results are discussed and the proposed method is believed to be useful in the project evaluation. تفاصيل المقالة -
حرية الوصول المقاله
75 - Three Approaches to Time Series Forecasting of Petroleum Demand in OECD Countries
Majid Khedmati Babak Ghalebsaz-JeddiPetroleum (crude oil) is one of the most important resources of energy and its demand and consumption is growing while it is a non-renewable energy resource. Hence forecasting of its demand is necessary to plan appropriate strategies for managing future requirements. In أکثرPetroleum (crude oil) is one of the most important resources of energy and its demand and consumption is growing while it is a non-renewable energy resource. Hence forecasting of its demand is necessary to plan appropriate strategies for managing future requirements. In this paper, three types of time series methods including univariate Seasonal ARIMA, Winters forecasting and Transfer Function-noise (TF) models are used to forecast the petroleum demand in OECD countries. To do this, we use the demand data from January 2001 to September 2010 and hold out data from October 2009 to September 2010 to test the sufficiency of the forecasts. For the TF model, OECD petroleum demand is modeled as a function of their GDP. We compare the root mean square error (RMSE) of the fitted models and check what percentage of the testing data is covered by the confidence intervals (C.I.). Accordingly we conclude that Transfer Function model demonstrates a better forecasting performance. تفاصيل المقالة -
حرية الوصول المقاله
76 - Optimization of Inventory Controlling System Using Integrated Seasonal Forecasting and Integer Programming
Hagazi Heniey Kidane Gebrehiwot Tsegay Desta Leake GebrehiwotEthiopia's industrial development strategy is characterized by manufacturing-led and expansion labor-intensive industrialization. The country expects to generate more income from the exported market. However, the case company is still known not to become productive as m أکثرEthiopia's industrial development strategy is characterized by manufacturing-led and expansion labor-intensive industrialization. The country expects to generate more income from the exported market. However, the case company is still known not to become productive as much as possible due to different reasons. One of the big challenges of the company has the problem with holding inappropriate inventory and with determines their optimal cost due to poor production planning. So that to solve this problem objective of the paper is to minimize total cost through the integration of seasonal forecasting and integer programming model without violating demand fulfillments. This technique improves resource utilization and enhances inventory control or stock control system. Currently, the company produces different kinds of products grouped into four common types of products (knitted garment, knitted fabric, woven garment, and woven fabric). The data survey system was both primary and secondary system and classified the products using A B C (always better classification) classification. The optimal solution was settled through the integration of seasonal forecasting and integer programming. As the Sensitivity analysis indicated the a big gap between production capacity and actual demand of the products. As the optimized solution indicated that total cost of production cost and inventory cost was minimized and the optimal production plan as well safety stock levels in each quarter was settled. Seasonal demand forecasting is a key activity for a garment which more or less controls all activities of production processes since garment products are affected by seasonal. As the result and discussion have shown that after optimized increase profit of the company through minimizing production cost and inventory costs since both costs are the big constraint of the company. Based on the optimized solution finding annually total cost needs for each A, B, and C – categories products are 57,225,920 BIRR 4,733,013 BIRR, 8,229,309 BIRR, respectively for production and inventory costs. The optimized solution indicated that if the company implemented exactly the proposed solution it will get an additional,4,219,788.8 BIRR,772,055.8 BIRR,2,119,824.2 BIRR respectively for A, B, C categories products totally around 7,111,668.8 BIRR profit per year will get. To end, it was concluded that this remarkable profit increment of the case company can certainly enhance its productivity and worldwide competitiveness. This research will create further pathways for other researchers to accomplish substantial studies on other garment sectors or other manufacturing industries based on local and international perspectives. تفاصيل المقالة -
حرية الوصول المقاله
77 - The Influence of Globalization Processes on Forecasting the Activities of Market Entities
Nazariy Popadynets Olga Vyshnevska Inna Irtyshcheva Iryna Kramarenko Maryna PonomarovaThe paper outlines the essence, components, and features of globalization from the viewpoint of manifestations in society, development priorities, and possible threats. The processes taking place in the globalized environment are proven to require market participants to أکثرThe paper outlines the essence, components, and features of globalization from the viewpoint of manifestations in society, development priorities, and possible threats. The processes taking place in the globalized environment are proven to require market participants to adapt to changes in the external environment, including through the expansion of the spheres of transnational business influence. A significant increase in the influence of geopolitical, geosocial, geo-economic, and environmental factors on a global level is emphasized. The paper proves that the development of the world economy, individual states, and regions of the world should be focused on a set of global factors that determine potential opportunities and the priority threats of market entities. A significant advantage of modern activity management is the timely identification of priority approaches to adapting solutions in order to prevent threats, conduct analytical assessments, and predict (plan) the activities of entities in the context of the growing influence of transnational business using appropriate methodological approaches to economic analysis. The authors argue that the development of business ideas, the formation of business plans, and forecasting the results of market entities’ activities should take into account the relevant capabilities and input conditions that will allow a timely response to ensure the adequacy of actions and forecasts. The efficiency of forecasting (planning) activities and adjusting managerial decisions is emphasized. The calculations are based on the method of extrapolating trends according to the equation of the line to predict the activities of a market entity. The paper proves that expansion of the activity domain of the transnational business fosters the maintenance of efficient management mechanisms that allow quick change of approaches to holding the domestic and external policy of business processes. تفاصيل المقالة -
حرية الوصول المقاله
78 - Forecasting Seasonal and Trend-Driven Data: A Comparative Analysis of Classical Techniques
Zahira MARZAK Rajaa BENABBOU Salma MOUATASSIM Jamal BENHRAMaking future predictions based on past and present data is known as forecasting. In the face of uncertainty, organizations rely on this valuable tool to make informed decisions, develop better strategies, and become more proactive. This study presents a comprehensive c أکثرMaking future predictions based on past and present data is known as forecasting. In the face of uncertainty, organizations rely on this valuable tool to make informed decisions, develop better strategies, and become more proactive. This study presents a comprehensive comparison of the performance of several classical quantitative forecasting methods, namely, Moving Average, Single Exponential Smoothing, Holt’s Double Exponential Smoothing with a trend, Holt-Winter’s Triple Exponential Smoothing with a trend and seasonality, ARIMA, ARIMAX, SARIMA, SARIMAX, and Multiple Linear Regression method.This research’s aim is to identify the most effective technique for predicting weekly sales of a product, a critical aspect of supply chain management, with the emphasis being placed on the capability of each technique to capture the trend and seasonality components of the dataset. For this, an out-of-sample validation procedure was used; the evaluation of the performance of each technique’s model was conducted using three accuracy metrics: Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE). The results revealed that the SARIMAX model outperformed the other techniques, providing the most accurate forecasts for the product’s weekly sales. This paper contributes to the field of industrial engineering by offering insights into the application of these classical quantitative forecasting methods in real-world scenarios, particularly in sales forecasting. The findings of this study can assist businesses and organizations in making up-to-date decisions and developing more effective and successful strategies. تفاصيل المقالة -
حرية الوصول المقاله
79 - Optimizing the Prediction Model of Stock Price in Pharmaceutical Companies Using Multiple Objective Particle Swarm Optimization Algorithm (MOPSO)
Ali Khazaei Babak Haji Karimi Mohammad Mahdi MozaffariThe purpose of this study is to optimize the stock price forecasting model with meta-innovation method in pharmaceutical companies.In this research, stock portfolio optimization has been done in two separate phases.The first phase is related to forecasting stock futures أکثرThe purpose of this study is to optimize the stock price forecasting model with meta-innovation method in pharmaceutical companies.In this research, stock portfolio optimization has been done in two separate phases.The first phase is related to forecasting stock futures based on past stock information, which is forecasting the stock price using artificial neural network.The neural network used was a multilayer perceptron network using the error propagation learning algorithm.After predicting the stock price with the neural network, the forecast price data in the second phase has been used to optimize the stock portfolio.In this phase, a multi-objective genetic algorithm is used to optimize the portfolio, and the optimal weights are assigned to the stock and the optimal stock portfolio is created.Having a regression model, the design of the relevant genetic algorithm has been done using MATLAB software.The results show that the stock portfolio created by MOPSO algorithm has a better performance compared to the algorithms used in the article under comparison under all four risk criteria except the criterion of conditional risk exposure. In all models, except the conditional risk-averaged value model, the stock portfolios created by the MOPSO algorithm used in the research have more and more appropriate performance. تفاصيل المقالة -
حرية الوصول المقاله
80 - Forecasting the Cost of Water Using a Neural Network Method in theMunicipality of Isfahan
Amir Mohammadzadeh Nasrin Mahdipour Arash MohammadzadehDecision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inr أکثرDecision making on budgeting is one of the most important issues for executing managers. Budgeting is a major tool for planning andcontrol of projects. In public and non-profit organizations and institutions, estimating the costs and revenues plays an important role inreceiving credit and budgeting. In this regard, in the present paper the case of Isfahan municipality is considered. One of the mainexpenditures of the 14 districts of Isfahan is the costs related to water. Predicting the total cost of water helps the municipality of Isfahan tooptimize the water use in its 14 urban zones. Thus, in this study the total cost of water in the districts of Isfahan is estimated usingregression analysis and neural network models. Then the results of the methods are compared with each other to minimize the deviationsfrom the approved budget. Finally, the neural network method is selected as the main simulation method for forecasting the total cost ofwater in the districts of Isfahan. تفاصيل المقالة -
حرية الوصول المقاله
81 - Analysis of the Earth Dams Function against the Effects of Long-Term Deposition in Reservoirs (Polrood Earth Dam-Guilan Province)
Mahdi keshavarz Nasser ShamskiaEstimation of sediment transport load due to erosion in river basins is one of the issues which is indispensable for many projects related to water resources, soil and damps construction. With regards to the phenomenon of erosion and transmission Sedimentation in rivers أکثرEstimation of sediment transport load due to erosion in river basins is one of the issues which is indispensable for many projects related to water resources, soil and damps construction. With regards to the phenomenon of erosion and transmission Sedimentation in rivers has always led to deformation in the seaboard and sedimentation, so the management and planning in bank of rivers is important in water and soil resources and damp construction. Therefor checking the flow capacity of the sediment transportation and the sediment transportation mechanism in the river hydraulics and their sedimentation in dams are always one of the most fundamental problems in dams construction, and consumable life of dams are also directly related to this phenomenon. To deals with this issue, in this research, after predicting the 57-year-old sediment, the effects of sediment on Polrood earth-filled dam has been investigated by using FLAC3D software, which results show that the effective stress and displacement in the upstream shell is approximately equal to the state without applying sediment pressure. تفاصيل المقالة -
حرية الوصول المقاله
82 - مدل سازی فرایند پیش بینی سفر در برنامه ریزی حمل و نقل درون شهری مبتنی بر رویکرد ترکیبی استنتاج فازی
جواد جاسبی پیام مکوندیبرنامه ریزی حمل و نقل درون شهری در دوره های اخیر همواره یکی از تصمیمات مهم در حوزه برنامه ریزی شهری در کلان شهرها بوده است. در این بین، پیش بینی حجم سفرهای آتی بین دو منطقه کلان شهر، کلید موفقیت در این امر برنامه ریزی صحیح حمل و نقل به شمار می رود. به دلیل اهمیت برنامه أکثربرنامه ریزی حمل و نقل درون شهری در دوره های اخیر همواره یکی از تصمیمات مهم در حوزه برنامه ریزی شهری در کلان شهرها بوده است. در این بین، پیش بینی حجم سفرهای آتی بین دو منطقه کلان شهر، کلید موفقیت در این امر برنامه ریزی صحیح حمل و نقل به شمار می رود. به دلیل اهمیت برنامه ریزی حمل و نقل درون شهری، مدل های مختلفی توسط محققین در این زمینه توسعه داده شده که بعضی از این مدل ها علیرغم قدمت زیاد، همچنان در حوزه های عملیاتی به کار گرفته می شوند. مساله اساسی در توسعه این مدل ها، پیچیدگی مساله است که از ماهیت رفتار انسانی در انتخاب ناشی می شود. این پیچیدگی سبب می شود تا همواره توسعه مدلی که خطای پیش بینی قابل قبولی داشته باشد، با مشکلات فراوان محاسباتی و عملیاتی روبرو باشد. این مساله در کشورهای در حال توسعه و یا توسعه نیافته که در آن ها داده های تاریخی به شکل مناسب در اختیار نیستند و ظرفیت های محاسباتی رایانه ای نیز به طور کامل در دسترس نمی باشد، از اهمیت بسیار بیشتری برخوردار است. در این پژوهش، یک مدل سه مرحله ای فازی برای مدل سازی فرایند سفر بین دو ناحیه مفروض از یک کلان شهر و در نهایت چارچوبی برای پیش بینی آتی این کمیت پیشنهاد شده است تا بر اساس آن بتوان برای نگاشت بین حجم سفرهای انجام شده بین دو ناحیه به عنوان متغیر خروجی و متغیرهای جمعیت شناختی و اجتماعی به عنوان متغیر ورودی، تابعی را تقریب زد که بتواند فرایند انجام سفر را مدل کند. در این مدل، پایگاه قواعد فازی در حقیقت در پی انتقال الگوی ذهنی متخصصین حمل و نقل به مدل ریاضی تشکیل شده است. تفاصيل المقالة -
حرية الوصول المقاله
83 - بهبود کارایی پیشبینی بهره وری با رویکرد طراحی آزمایشات تاگوچی (مورد مطالعه : صنایع غذایی ایران)
سید محمود زنجیرچی مهدی حاتمی منش حمیدرضا کدخدازاده سیدعلی محمد بنی فاطمهپیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به أکثرپیش بینی بهره وری عاملی بسیار مهم در طراحی استراتژی های یک سازمان است. یکی از روش های پیش بینی بهره وری، استفاده از شبکه های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم، به کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به سطوح مناسب این پارامترها استفاده می شود. این مقاله، الگویی 7 مرحله ای جهت انتخاب مقادیر مناسب پارامترهای قابل تنظیم شبکه عصبی ارائه می دهد تا با به کارگیری طراحی آزمایش های تاگوچی کارایی در پیش بینی بهره وری بهبودمی یابد. به کارگیری این روش در پیش بینی بهره وری صنایع غذایی ایرن، سطوح بهینۀ پارامترها را که منجر به مطلوب ترین پیش بینی در شبکه عصبی می شود، بدین شرح ارائه می دهد: تعداد لایه های پنهان: 2 لایه، تعداد نورون هر لایه پنهان: 7 نورون، نرخ یادگیری: 9/0 و تعداد ورودی های شبکه عصبی: شاخص های بهره وری با درجه همبستگی بیشتر از 85/0؛ که از بین عوامل فوق، عامل تعداد لایه های پنهان با سهم مشارکت 18/71% در نتیجۀ آزمایش ها، مهم ترین عامل طراحی شبکه عصبی در پیش بینی بهره وری صنایع غذایی ایران است. در نهایت، نتیجه کلی تحقیق نشان داد که به کارگیری این الگو علاوه بر کاهش زمان و هزینه های پیش بینی، امکان انتخاب استراتژی های رقابتی فراهم می شود. به علاوه این روش با تعیین سهم مشارکت هر یک از پارامتهای قابل تنظیم در نتایج آزمایش، تصمیم گیرندگان را در میزان دقت و توجهی که باید به هر یک از این پارامترها داشته باشند، یاری می رساند. تفاصيل المقالة -
حرية الوصول المقاله
84 - تحلیل ساختاری شکوفایی شهری با رویکرد آینده نگاری (مطالعۀ موردی: کلانشهر اهواز)
محمدعلی فیروزی فرشته شنبه پورشکوفایی شهری مفهومی است در ارتباط با توسعه ی متعادل و هماهنگ در محیط که با عدالت مطرح می باشد و به عنوان نوعی ساخت و ساز اجتماعی به فعالیت های انسانی کالبد می بخشد. امروزه نگاه متفاوت به آینده باعث شده که انسان به دنبال یافتن آینده نباشد، بلکه با بهره گیری از ابزارهای گ أکثرشکوفایی شهری مفهومی است در ارتباط با توسعه ی متعادل و هماهنگ در محیط که با عدالت مطرح می باشد و به عنوان نوعی ساخت و ساز اجتماعی به فعالیت های انسانی کالبد می بخشد. امروزه نگاه متفاوت به آینده باعث شده که انسان به دنبال یافتن آینده نباشد، بلکه با بهره گیری از ابزارهای گوناگون آیندۀ مطلوب خود را بسازد. از طرفی چالش های زندگی نوین شهری و مشکلات محیطی و اجتماعی موجب روی آوردن به رویکرد آینده پژوهی در برنامه ریزی شهری و بهره گیری از ابزارهای گوناگون برای ساختن آینده مطلوب شده است. پژوهش حاضر با بهره گیری از تکنیک تحلیل اثرات متقاطع که یکی از روش های متداول در آینده نگاری است و با استفاده از نرم افزار میک مک به تحلیل مؤلفه های شکوفایی شهری در کلان شهر اهواز پرداخته است. در ادامه با استفاده از روش دلفی 30 مؤلفه در پنج حوزه (بهره وری، زیرساخت ها، کیفیت زندگی، برابری و مشارکت اجتماعی و پایداری محیط زیست) به عنوان شاخص های شکوفایی شهری استخراج شد. نتایج حاکی از این است که در صفحه پراکندگی پنج دسته (عوامل تأثیرگذار، عوامل دووجهی، عوامل تنظیمی، عوامل تأثیرپذیر و عوامل مستقل) قابل شناسایی هستند. در نهایت از میان 30 عامل یاد شده، پس از بررسی میزان تأثیرگذاری این عوامل بر یکدیگر و بر وضعیت آینده کلان شهر اهواز با روش های مستقیم و غیرمستقیم، 7 عامل کلیدی (میزان سواد، خانوارهای زاغه نشین، آلودگی هوا، نرخ بیکاری، مراکز فرهنگی، امید به زندگی در بدو تولد و نرخ فقر) که بیشترین نقش را در وضعیت آینده شکوفایی شهری اهواز دارند، انتخاب شدند. در ادامه نتایج نشان می دهد که هیچکدام از مؤلفه های شکوفایی شهری در اهواز از نگاه کارشناسان، به عنوان عامل هدف قابل تعریف نمی باشد و این مسئله نشان از چندجانبه بودن مسئله شکوفایی کلان شهر اهواز است. تفاصيل المقالة -
حرية الوصول المقاله
85 - ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش بینی بارش روزانه در استان کرمان
کمال امیدوار معصومه نبوی زاده میثم ثمره قاسمبارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه ش أکثربارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّبرای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یافت هّ اس تّ.هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بین یّ ب اّرش روزان هّمیباشد که با استفاده از آمار روزانۀ هواشناسی ایستگاههای کرمان، بافت و میانده جیرفت، طی7393 (، میباشد به منظور مقایسه به آموزش شبکههای - دوره مشترک آماری 11 ساله ) 1171عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخت هّ ش دّ.عوامل اقلیمی مؤثر در بارش به عنوان ورودیهای شبکههای عصبی مصنوعی و بارش روزانه بهو ض رّی )MSE( عنوان خروجی شبکه در نظر گرفته شد. آم اّره اّی می اّنگین مرب ه اّ خط اّبه منظور ارزیابی روشهای بکار برده شده، استفاده گردید. نتایج نشان داد ک هّ ،)R( همبستگیمدل ترکیبی 41 ، بر پایه قانون آموزش لونبرگ م اّرکوا و ت اّب مک رّک س یّگموبید ب اّ هم هّپارامترهای هواشناسی در هر سه ایس تّگاه از دقّ تّ قاب لّ قب وّلی برخ وّردار اس تّ. همچن یّنمشخص شد که مدلهای مطلوب شبکه عصبی مصنوعی در یالت تغییرا افزایشی نسبت ب هّرطوبت نسبی، دارا ی بیشترین یساسیّت هستند تفاصيل المقالة -
حرية الوصول المقاله
86 - پیش بینی وقوع یخبندان تابشی با استفاده از حداقل داده های هواشناسی مطالعه موردی: شاهرود(استان سمنان)
غلامرضا جانباز قبادیاز میان انواع یخبندان ها، یخبندان تابشی به لحاظ فراوانی وقوع و امکان حفاظت موثر توسط روشهای فعال، از اهمیت زیادی برخوردار است. بنابراین پیشبینی دقیق دمای حداقل، با استفاده از یک مدل پیش بینی تجربی با امکان کالیبره شدن برای شرایط محلی و کاربری آسان و همچنین برآورد ساعتی أکثراز میان انواع یخبندان ها، یخبندان تابشی به لحاظ فراوانی وقوع و امکان حفاظت موثر توسط روشهای فعال، از اهمیت زیادی برخوردار است. بنابراین پیشبینی دقیق دمای حداقل، با استفاده از یک مدل پیش بینی تجربی با امکان کالیبره شدن برای شرایط محلی و کاربری آسان و همچنین برآورد ساعتی میزان تغیرات دما (روند) طی شبهایی با رخداد یخبندان تابشی، جهت تعیین زمان شروع و پایان روشهای حفاظت فعال ضروری به نظر میرسد.در این راستا هدف از این تحقیقپیشبینی دمای حداقل با استفاده از یک مدل چند جملهای می باشد. در این پژوهش با استفاده از داده های ساعتی ایستگاه سینوپتیک شاهرود در ماههای ژانویه، فوریه طی دوره آماری 1984-2010 واز پارامترهایی مانند دمای خشک در زمان غروب وh ساعت بعداز غروب آفتاب و دمای حداقل روز بعد، مدل پیش بینی دمای حداقل ارائه گردید.مقدار ضریب همبستگی مربوط به داده های دمای حداقل مشاهده شده و پیش بینی شده توسط مدل، حاکی از اطمینان بالای معنی داری می باشد. همچنین مقدار ریشه دوم میانگین مربعات خطا (RMSE) برای مدل ارائه شده در ماه ژانویه به میزان 2/0درجه سانتیگراد رسیده است. تفاصيل المقالة -
حرية الوصول المقاله
87 - A New Hybrid Model Using Deep Learning to Forecast Gold Price
Mohammad Reza ShahrakiToday, different markets and economic sectors are directly or indirectly affected by gold price; thus its prediction is a big challenge for both investors and researchers. On the other hand, the nonstationary and nonlinear patterns of gold price data cause the predictio أکثرToday, different markets and economic sectors are directly or indirectly affected by gold price; thus its prediction is a big challenge for both investors and researchers. On the other hand, the nonstationary and nonlinear patterns of gold price data cause the prediction process even more complex. To address this challenge, a hybrid model was developed in this paper to predict gold price, with a concentration on enhancing accuracy through considering the gold price data characteristics. To do this, Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN) and Gated recurrent units (GRU) were used to deal with the nonstationary and nonlinear nature of the gold price data. The former was first applied to the decomposition of time-series data of gold price into a number of components. Then, GRU was applied to the prediction of the components. To end with, all the components’ prediction results were summed up to attain the final prediction result. The efficiency of the developed model was evaluated using real-world gold data, which confirmed its superiority over the standard methods used for comparison. تفاصيل المقالة -
حرية الوصول المقاله
88 - پیشبینی روند آتی بازار سهام با استفاده از رویکرد رگرسیون پروبیت و با تاکید بر ارزش در معرض ریسک
سید علی موسوی لولتی عمران محمدی سعید شوال پورپیشبینی همواره به عنوان یکی از مباحث مهم بازارهای مالی شناخته می شود و به عنوان عامل منحصربفردی محسوب می‎گردد که ارزش‎های ناشناخته‎ آتی را مورد برآورد قرار می‎دهد؛ هدف این پژوهش شناسایی و پیشبینی شرایط بورس اوراق بهادار تهران و عوامل اثرگذار بر آن با أکثرپیشبینی همواره به عنوان یکی از مباحث مهم بازارهای مالی شناخته می شود و به عنوان عامل منحصربفردی محسوب می‎گردد که ارزش‎های ناشناخته‎ آتی را مورد برآورد قرار می‎دهد؛ هدف این پژوهش شناسایی و پیشبینی شرایط بورس اوراق بهادار تهران و عوامل اثرگذار بر آن با تاکید بر همبستگی رونق بازار سرمایه با ارزش در معرض ریسک بود. بدین منظوردر این پژوهش در گام نخست سری زمانی شاخص ارزش در معرض ریسک در بازار سرمایه (بورس اوراق بهادار تهران) بر اساس دادههای روزانه و روش گارچ مرتبه اول طی بهار 1389 تا خرداد 1402 برآورد شده است. سپس با استفاده از رویکرد رگرسیون پروبیت عوامل اثرگذار بر رونق در بورس اوراق بهادار تهران بر اساس دادههای فصلی طی بهار 1389 تا خرداد 1402 مورد ارزیابی قرار گرفتند. سپس میانگین شاخص ارزش در معرض ریسک به صورت فصلی محاسبه شده است و ارتباط بین احتمال رونق در بازار سرمایه با شاخص ارزش در معرض ریسک با استفاده از ضریب همبستگی مورد بررسی قرار گرفت. نتایج این پژوهش نشان داد احتمال رونق در بازار سرمایه ایران با نرخ سود بانکی، رشد نقدینگی و وقوع تحریم رابطه منفی و معنادار و با نرخ تورم و رشد نرخ ارز رابطه مثبت و معناداری دارد. همچنین بر اساس تحلیل همبستگی رونق در بازار سرمایه با ارزش در معرض ریسک سهام ارتباط مستقیمی دارد. شواهد پژوهش همچنین نشان داد با فرض ثبات شرایط موجود انتظار میرود در سه فصل آتی احتمال رونق در بازار سرمایه نسبت به وقوع رکود به مراتب بالاتر باشد. تفاصيل المقالة -
حرية الوصول المقاله
89 - یک روش پیشبینی بلندمدت بار الکتریکی مبتنی بر استخراج ویژگی برای کاهش اثر داده های خارج از محدوده
محمد داود سعیدی مجید معظمیپیشبینی میان-مدت بار الکتریکی اغلب برای برنامهریزی عملیات نیروگاههای حرارتی و آبی، زمانبندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاهها و شبکه برق استفاده میشود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج ا أکثرپیشبینی میان-مدت بار الکتریکی اغلب برای برنامهریزی عملیات نیروگاههای حرارتی و آبی، زمانبندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاهها و شبکه برق استفاده میشود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج از محدوده، برای پیشبینی بلندمدت بار ارائه شده است. دادههای بار و دمای ساعتی، از پایگاه داده GEFCOM 2014 استخراج شده و به دو دسته آموزش و آزمایش تقسیم شده است. از تبدیل موجک یک سطحی برای تجزیه دادهها بهمنظور استخراج ویژگیها و کاهش ابعاد ماتریس دادهها استفاده میشود. دو دسته مقادیر مؤلفههای فرکانس پایین (تقریب) و مقادیر مؤلفههای فرکانس بالا (جزئیات) حاصل از تجزیه جهت آموزش و پیشبینی به مدل وارد شده و خروجی مقادیر پایین با خروجی مقادیر بالای مدل جمع می شود تا پیش بینی نهایی را تشکیل دهد. جهت سنجش و مقایسه دقت و کارایی روش پیشنهادی، اعمال تبدیل موجک روی دادهها، برای سه مدل دیگر ماشین یادگیری شدید انجام گردیده است. همچنین دادهها بدون اعمال تبدیل موجک به چهار مدل پیش بینی دیگر نیز وارد شده و نتایج پیشبینی حاصل با روش پیشنهادی مورد مقایسه قرار گرفته است. نتایج ارزیابی فوق نشان میدهد که تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج محدوده باعث بهبود دقت پیشبینی میگردد و مقدار میانگین درصد خطای مطلق به عدد ۰۹۶۶/۳ کاهش یافته است. مقدار خطای کلی محاسبه شده روش پیشنهادی بهترین نتیجه در بین سایر مدلهای ماشین یادگیری شدید و روشهای بدون پیشپردازش بوده است. خطای فوق بر مبنای مقدار میانگین درصد خطای مطلق به ترتیب ۴۲۰۸/۰ نسبت به مدل ماشین یادگیری شدید اصلی، ۱۱۹۴/۰ نسبت به مدل تنظیمشده و ۱۳۵۳/۰ نسبت به مدل تنظیمشده و وزندار، کاهش یافته است. تفاصيل المقالة -
حرية الوصول المقاله
90 - پیشبینی بار الکتریکی با بکارگیری مدلهای ترکیبی پرسپترونهای چندلایه و خودرگرسیون میانگین متحرک انباشته فصلی
فاطمه چاهکوتاهی مهدی خاشعیامروزه صرفهجویی در زمان و اقتصاد یک کشور نیازمند برنامهریزی، تصمیمگیری و پیشبینیهای درست و منطقی در حوزههای مختلف میباشد. یکی از این حوزههای مطرح در هر کشور، پیشبینی بار الکتریکی میباشد. این کالا (الکتریسیته) با توجه به اینکه قابل ذخیرهسازی نمیباشد، پیشبینی أکثرامروزه صرفهجویی در زمان و اقتصاد یک کشور نیازمند برنامهریزی، تصمیمگیری و پیشبینیهای درست و منطقی در حوزههای مختلف میباشد. یکی از این حوزههای مطرح در هر کشور، پیشبینی بار الکتریکی میباشد. این کالا (الکتریسیته) با توجه به اینکه قابل ذخیرهسازی نمیباشد، پیشبینی آن با حساسیت بالاتری انجام میگیرد. همچنین علاوه بر غیرقابل ذخیرهبودن، در مصرف این کالا الگوهای مختلفی دیده میشود که مدلسازی آن را با روشهای کلاسیک دشوار میسازد. بنابراین نیاز به روشی است که بتواند الگوهای موجود در دادههای مرتبط با این بازار را مدلسازی نماید. در این مقاله از یک روش ترکیبی موازی که مدلهای کلاسیک خطی را با مدلهای هوش محاسباتی ترکیب میکند، استفاده گردیده است. ایده اصلی مدل پیشنهادی، استفاده همزمان از مدلهای مذکور در مدلسازی خطی و غیرخطیای که با الگوهای فصلی همراهند، میباشد. همچنین نتایج نشان میدهد که در این روش به دلیل استفاده از یک روش وزندهی مستقیم، هزینه محاسباتی مدلسازی آن بهصورت قابلتوجهی از سایر روشهای ترکیبی موازی پایینتر میباشد. تفاصيل المقالة -
حرية الوصول المقاله
91 - پیشبینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید
سپهر معلم رویا محمدعلی پوراهری غضنفر شاهقلیان مجید معظمی سید محمد کاظمیصنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر أکثرصنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش بینی تقاضای انرژی الکتریکی آغاز می گردد. در این مقاله یک روش پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به صورت 24 ساعته استخراج و استفاده شده است. داده ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به طوری که فقط 40 درصد از داده ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش بینی بهبود یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به دست آمده با تکنیک های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می دهند. تفاصيل المقالة -
حرية الوصول المقاله
92 - پیشبینی دقیق بار فیدرهای شبکه توزیع در روزهای کاری هفته با استفاده از اطلاعات گذشته بار
بهادر فانی سلیمان فهرستی ثانی احسان ادیبتخمین بار روزانه در شرکتهای توزیع که به منظور ارائه این نتایج به شرکت مدیریت شبکه صورت میگیرد، امری لازم و ضروری است. پیش بینی بار روزانه در شبکههای قدرت از دیرباز مورد توجه قرار داشته است. با توجه به تأثیر پذیری زیاد الگوهای بار از عوامل مختلفی مانند عوامل آب و هوای أکثرتخمین بار روزانه در شرکتهای توزیع که به منظور ارائه این نتایج به شرکت مدیریت شبکه صورت میگیرد، امری لازم و ضروری است. پیش بینی بار روزانه در شبکههای قدرت از دیرباز مورد توجه قرار داشته است. با توجه به تأثیر پذیری زیاد الگوهای بار از عوامل مختلفی مانند عوامل آب و هوایی، اقتصادی و اجتماعی، پیشبینی دقیق بار امر دشواری میباشد. به همین دلیل در سالهای اخیر استفاده از الگوریتمهای هوشمند در جهت پیشبینی، در حال گسترش میباشد. در این مقاله جهت پیشبینی بار، با توجه به حجیم و زمان بر بودن روشهای هوشمند از مدلهای آماری (روش هموار سازی نمایی) استفاده شده است و با تلفیق این روش با روش تخمینی ارائه شده (معکوس اجزای اصلی) با توجه به عدم دسترسی کامل به دادههای روز قبل از روز پیش بینی نتایج قابل قبولی حاصل میگردد. تفاصيل المقالة -
حرية الوصول المقاله
93 - Novel Hybrid Fuzzy-Evolutionary Algorithms for Optimization of a Fuzzy Expert System Applied to Dust Phenomenon Forecasting Problem
Somayeh Ghanbari Rahil Hosseini Mahdi MazinaniNowadays, dust phenomenon is one of the important challenges in warm and dry areas. Forecasting the phenomenon before its occurrence helps to take precautionary steps to prevent its consequences. Fuzzy expert systems capabilities have been taken into account to assist a أکثرNowadays, dust phenomenon is one of the important challenges in warm and dry areas. Forecasting the phenomenon before its occurrence helps to take precautionary steps to prevent its consequences. Fuzzy expert systems capabilities have been taken into account to assist and cope with the uncertainty associated to complex environments such as dust forecasting problem. This paper presents novel hybrid Fuzzy-Evolutionary algorithms to predict the dust phenomenon. For this, first a fuzzy expert system was designed and then it was optimized using evolutionary algorithms like Genetic and Differential Evolutionary algorithms. Evolutionary nature of these algorithms have been taken into account to optimize the fuzzy system in the complex area of the dust phenomenon. To evaluate the proposed hybrid models a real dataset including 55 years of the dust phenomenon in Zanjan province in Iran was considered. Performance of these methods was investigated through an ROC curve analysis in combination with a 10-fold cross validation technique. The accuracy of the fuzzy expert system was 92.13% and after optimization through the Fuzzy-Genetic model and hybrid differential evolutionary model was reached to 93.5% and 97.30%, respectively. The results are promising for early forecasting of the dust phenomena and preventing its consequences. تفاصيل المقالة -
حرية الوصول المقاله
94 - Modeling Ghotour-Chai River’s Rainfall-Runoff process by Genetic Programming
Mina Ruhnavaz Abdolreza HatamlouConsidering the importance of water and computing the amount of rainfall runoff resulted from precipitation in recent decades, using appropriate methods for predicting the amount of runoff from rainfall date has been really essential. Rainfall-runoff models are used to أکثرConsidering the importance of water and computing the amount of rainfall runoff resulted from precipitation in recent decades, using appropriate methods for predicting the amount of runoff from rainfall date has been really essential. Rainfall-runoff models are used to estimate runoff generated from precipitation in the catchment area. Rainfall-runoff process is totally a non-linear phenomenon. In the present study, it has been tried to Model Ghatoor-Chai River rainfall-runoff, one of the studying sub-basins of Aras River with an area of 8544 square kilometers, by genetic programming and to analyze the results. In this study, the statistical data from Ghatoor-Chai’s daily rainfall-runoff, Marakan hydrometric station during the period 1386-1390 has been used. Data from events during the period 1386-1389 is used for training and data from 1390 for testing. In this modeling, 8 input models have been defined for the system. After applying input models in system, the results based on statistical measures of root-mean-square error and correlation coefficient were analyzed and evaluated. The findings show the success of genetic programming for rainfall-runoff process and this procedure can be suggested as a way for modeling this process. تفاصيل المقالة -
حرية الوصول المقاله
95 - An Efficient Artificial Intelligence Based Technique in Diseases Staging and Forecasting
Negar Ahmadi Alfredo MilaniArtificial Intelligence (AI) techniques offer powerful objective algorithms for analysis of multimodal and high-dimensional data. Recently, these techniques have become a reliable tool in the medical domain. This paper describes an efficient technique for building an ap أکثرArtificial Intelligence (AI) techniques offer powerful objective algorithms for analysis of multimodal and high-dimensional data. Recently, these techniques have become a reliable tool in the medical domain. This paper describes an efficient technique for building an application that is capable of forecasting and classifying healthcare information using machine learning as a subfield of AI methods. The algorithm predicts a label for each sample. The sample is a single set of feature data and the label is what category the sample falls into. The algorithm takes many of these samples as the training set, builds an internal model and finally predicts the labels of other samples, called the testing set. We apply this methodology to the breast cancer staging and also to forecast the myocardial infarction and examine the risk assessment using fuzzy clustering and Framingham heart study. The results show that the proposed technique obtains credible outputs that could be integrated in an application to be used in the health care field. تفاصيل المقالة -
حرية الوصول المقاله
96 - Forecasting Milled Rice Production in Ghana Using Box-Jenkins Approach
Nasiru Suleman Solomon SarpongThe increasing demand for rice in Ghana has been a major concern to the government and other stakeholders. Recent concerns by the coalition for African Rice Development (CARD) to double rice production within ten years in Sub-Saharan countries have triggered the to impl أکثرThe increasing demand for rice in Ghana has been a major concern to the government and other stakeholders. Recent concerns by the coalition for African Rice Development (CARD) to double rice production within ten years in Sub-Saharan countries have triggered the to implement strategies to boost rice production in the government. To fulfill this requirement, there is a need to monitor and forecast trends of rice production in the country. This study employs the Box-Jenkins approach to model milled rice production using time series data from 1960 to 2010. The analysis revealed that ARIMA (2, 1, 0) was the best model for forecasting milled rice production. Although, a ten years forecast with the model shows an increasing trend in production, the forecast value at 2015 (283.16 thousand metric tons) was not good enough to compare with the current production of Nigeria (2700 thousand metric tons), the leading producer of rice of rice in West Africa. تفاصيل المقالة -
حرية الوصول المقاله
97 - Town trip forecasting based on data mining techniques
Mohammad Fili Majid KhedmatiIn this paper, a data mining approach is proposed for duration prediction of the town trips (travel time) in New York City. In this regard, at first, two novel approaches, including a mathematical and a statistical approach, are proposed for grouping categorical variabl أکثرIn this paper, a data mining approach is proposed for duration prediction of the town trips (travel time) in New York City. In this regard, at first, two novel approaches, including a mathematical and a statistical approach, are proposed for grouping categorical variables with a huge number of levels. The proposed approaches work based on the cost matrix generated by repetitive post-hoc tests for different pairs. Then, a random forest model is constructed for the prediction of the type of trips, short or long. Finally, based on the trip type and each of the mathematical and statistical approaches, separate artificial neural networks (ANN) are developed to predict the duration time of the trips. According to the results, the mathematical approach performs better and provides more accurate results than the statistical approach. In addition, the proposed methods are compared with some other methods in the literature in which the results show that they perform better than all other methods. The RMSE of mathematical and statistical approaches is, respectively, 4.23 and 4.27 minutes for short trips, and the related value is 9.5 minutes for long trips. In addition, a modified version of the nearest neighborhood approach, entitled modified nearest neighborhood (MNN), is proposed for the prediction of the trip duration. This model resulted in accurate predictions where its RMSE is 4.45 minutes. تفاصيل المقالة -
حرية الوصول المقاله
98 - A novel grey–fuzzy–Markov and pattern recognition model for industrial accident forecasting
Inyeneobong Ekoi Edem Sunday Ayoola Oke Kazeem Adekunle AdebiyiIndustrial forecasting is a top-echelon research domain, which has over the past several years experienced highly provocative research discussions. The scope of this research domain continues to expand due to the continuous knowledge ignition motivated by scholars in th أکثرIndustrial forecasting is a top-echelon research domain, which has over the past several years experienced highly provocative research discussions. The scope of this research domain continues to expand due to the continuous knowledge ignition motivated by scholars in the area. So, more intelligent and intellectual contributions on current research issues in the accident domain will potentially spark more lively academic, value-added discussions that will be of practical significance to members of the safety community. In this communication, a new grey–fuzzy–Markov time series model, developed from nondifferential grey interval analytical framework has been presented for the first time. This instrument forecasts future accident occurrences under time-invariance assumption. The actual contribution made in the article is to recognise accident occurrence patterns and decompose them into grey state principal pattern components. The architectural framework of the developed grey–fuzzy–Markov pattern recognition (GFMAPR) model has four stages: fuzzification, smoothening, defuzzification and whitenisation. The results of application of the developed novel model signify that forecasting could be effectively carried out under uncertain conditions and hence, positions the model as a distinctly superior tool for accident forecasting investigations. The novelty of the work lies in the capability of the model in making highly accurate predictions and forecasts based on the availability of small or incomplete accident data. تفاصيل المقالة -
حرية الوصول المقاله
99 - An iterative method for forecasting most probable point of stochastic demand
J. Behnamian S. M. T. Fatemi Ghomi B. Karimi M. Fadaei MoludiThe demand forecasting is essential for all production and non-production systems. However, nowadays there are only few researches on this area. Most of researches somehow benefited from simulation in the conditions of demand uncertainty. But this paper presents an أکثرThe demand forecasting is essential for all production and non-production systems. However, nowadays there are only few researches on this area. Most of researches somehow benefited from simulation in the conditions of demand uncertainty. But this paper presents an iterative method to find most probable stochastic demand point with normally distributed and independent variables of n-dimensional space and the demand space is a nonlinear function. So this point is compatible with both external conditions and historical data and it is the shortest distance from origin to the approximated demand-state surface. Another advantage of this paper is considering ndimensional and nonlinear (nth degree) demand function. Numerical results proved this procedure is convergent and running time is reasonable. تفاصيل المقالة -
حرية الوصول المقاله
100 - An investigation of model selection criteria for technical analysis of moving average
Milad Jasemi Ali M KimiagariMoving averages are one of the most popular and easy-to-use tools available to a technical analyst, and they also form the building blocks for many other technical indicators and overlays. Building a moving average (MA) model needs determining four factors of (1) approa أکثرMoving averages are one of the most popular and easy-to-use tools available to a technical analyst, and they also form the building blocks for many other technical indicators and overlays. Building a moving average (MA) model needs determining four factors of (1) approach of issuing signals, (2) technique of calculating MA, (3) length of MA, and (4) band. After a literature review of technical analysis (TA) from the perspective of MA and some discussions about MA as a TA, this paper is structured to highlight the effects that each of the first three factors has on performance of MA as a TA. The results that based on some experiments with real data support the fact that deciding about the first and second factors is not much critical, and more attention should be paid to other factors. تفاصيل المقالة -
حرية الوصول المقاله
101 - Modeling and forecasting US presidential election using learning algorithms
Mohammad Zolghadr Seyed Armin Akhavan Niaki S. T. A. NiakiThe primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance أکثرThe primary objective of this research is to obtain an accurate forecasting model for the US presidential election. To identify a reliable model, artificial neural networks (ANN) and support vector regression (SVR) models are compared based on some specified performance measures. Moreover, six independent variables such as GDP, unemployment rate, the president’s approval rate, and others are considered in a stepwise regression to identify significant variables. The president’s approval rate is identified as the most significant variable, based on which eight other variables are identified and considered in the model development. Preprocessing methods are applied to prepare the data for the learning algorithms. The proposed procedure significantly increases the accuracy of the model by 50%. The learning algorithms (ANN and SVR) proved to be superior to linear regression based on each method’s calculated performance measures. The SVR model is identified as the most accurate model among the other models as this model successfully predicted the outcome of the election in the last three elections (2004, 2008, and 2012). The proposed approach significantly increases the accuracy of the forecast. تفاصيل المقالة -
حرية الوصول المقاله
102 - Forecasting time and place of earthquakes using a Semi-Markov model (with case study in Tehran province)
Ramin SadeghianThe paper examines the application of semi-Markov models to the phenomenon of earthquakes in Tehran province. Generally, earthquakes are not independent of each other, and time and place of earthquakes are related to previous earthquakes; moreover, the time between eart أکثرThe paper examines the application of semi-Markov models to the phenomenon of earthquakes in Tehran province. Generally, earthquakes are not independent of each other, and time and place of earthquakes are related to previous earthquakes; moreover, the time between earthquakes affects the pattern of their occurrence; thus, this occurrence can be likened to semi-Markov models. In our work, we divided the province of Tehran into six regions and grouped the earthquakes regarding their magnitude into three classes. Using a semi-Markov model, it proceeds to predict the likelihood of the time and place of occurrence of earthquakes in the province. تفاصيل المقالة -
حرية الوصول المقاله
103 - Development of an evolutionary fuzzy expert system for estimating future behavior of stock price
Azam Goodarzi Amirhossein Amiri Shervin Asadzadeh Farhad Mehmanpazir Shahrokh AsadiThe stock market has always been an attractive area for researchers since no method has been found yet to predict the stock price behavior precisely. Due to its high rate of uncertainty and volatility, it carries a higher risk than any other investment area, thus the st أکثرThe stock market has always been an attractive area for researchers since no method has been found yet to predict the stock price behavior precisely. Due to its high rate of uncertainty and volatility, it carries a higher risk than any other investment area, thus the stock price behavior is difficult to simulation. This paper presents a “data mining-based evolutionary fuzzy expert system” (DEFES) approach to estimate the behavior of stock price. This tool is developed in seven-stage architecture. Data mining is used in three stages to reduce the complexity of the whole data space. The first stage, noise filtering, is used to make our raw data clean and smooth. Variable selection is second stage; we use stepwise regression analysis to choose the key variables been considered in the model. In the third stage,K-means is used to divide the data into sub-populations to decrease the effects of noise and rebate complexity of the patterns. At next stage, extraction of Mamdani type fuzzy rule-based system will be carried out for each cluster by means of genetic algorithm and evolutionary strategy. In the fifth stage, we use binary genetic algorithm to rule filtering to remove the redundant rules in order to solve over learning phenomenon. In the sixth stage, we utilize the genetic tuning process to slightly adjust the shape of the membership functions. Last stage is the testing performance of tool and adjusts parameters. This is the first study on using an approximate fuzzy rule base system and evolutionary strategy with the ability of extracting the whole knowledge base of fuzzy expert system for stock price forecasting problems. The superiority and applicability of DEFES are shown for International Business Machines Corporation and compared the outcome with the results of the other methods. Results with MAPE metric and Wilcoxon signed ranks test indicate that DEFES provides more accuracy and outperforms all previous methods, so it can be considered as a superior tool for stock price forecasting problems. تفاصيل المقالة -
حرية الوصول المقاله
104 - A new probability density function in earthquake occurrences
S Sadeghian G.R Jalali-NainiAlthough knowing the time of the occurrence of the earthquakes is vital and helpful, unfortunately it is still unpredictable. By the way there is an urgent need to find a method to foresee this catastrophic event. There are a lot of methods for forecasting the time of e أکثرAlthough knowing the time of the occurrence of the earthquakes is vital and helpful, unfortunately it is still unpredictable. By the way there is an urgent need to find a method to foresee this catastrophic event. There are a lot of methods for forecasting the time of earthquake occurrence. Another method for predicting that is to know probability density function of time interval between earthquakes. In this paper a new probability density function (PDF) for the time interval between earthquakes is found out. The parameters of the PDF will be estimated, and ultimately, the PDF will be tested by the earthquakes data about Iran. تفاصيل المقالة -
حرية الوصول المقاله
105 - A hybrid computational intelligence model for foreign exchange rate forecasting
M Khashei F Mokhatab Rafiei M Bijari S.R HejaziComputational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at impro أکثرComputational intelligence approaches have gradually established themselves as a popular tool for forecasting the complicated financial markets. Forecasting accuracy is one of the most important features of forecasting models; hence, never has research directed at improving upon the effectiveness of time series models stopped. Nowadays, despite the numerous time series forecasting models proposed in several past decades, it is widely recognized that exchange rates are extremely difficult to forecast. Artificial Neural Networks (ANNs) are one of the most accurate and widely used forecasting models that have been successfully applied for exchange rate forecasting. In this paper, a hybrid model is proposed based on the basic concepts of artificial neural networks in order to yield more accurate results than the traditional ANNs in short span of time situations. Three exchange rate data sets—the British pound, the United States dollar, and the Euro against the Iran rial-are used in order to demonstrate the appropriateness and effectiveness of the proposed model. Empirical results of exchange rate forecasting indicate that hybrid model is generally better than artificial neural networks and other models presented for exchange rate forecasting, in cases where inadequate historical data are available. Therefore, our proposed model can be a suitable alternative model for financial markets to achieve greater forecasting accuracy, especially in incomplete data situations. تفاصيل المقالة -
حرية الوصول المقاله
106 - مدل سازی بهینه خرید و فروش در بازارهای انس طلا و اس اند پی 500 بر اساس تئوری ایست بهینه
امیر محمودیان مریم خلیلی عراقی حمیدرضا وکیلی فردپیشبینی قیمت در بازارهای مالی همواره مورد توجه فعالان وتحلیل گران مالی بوده است. اخیراً روشهای مختلفی برای پیشبینی حرکات بازارهای مالی با استفاده از سریهای زمانی تاریخی قیمتها اتخاذ شدهاند. با این حال، پیشبینی دقیق قیمتهای مالی هنوز یک چالش طولانی مدت است که همی أکثرپیشبینی قیمت در بازارهای مالی همواره مورد توجه فعالان وتحلیل گران مالی بوده است. اخیراً روشهای مختلفی برای پیشبینی حرکات بازارهای مالی با استفاده از سریهای زمانی تاریخی قیمتها اتخاذ شدهاند. با این حال، پیشبینی دقیق قیمتهای مالی هنوز یک چالش طولانی مدت است که همیشه رویکردهای جدید را می طلبد0 در این مقاله قصد داریم با استفاده از تئوری آماری ایست بهینه و ارتباط آن با فرآیندهای شاخه ای به پیش بینی زمان خرید و فروش بر اساس قیمت های بهینه خرید و فروش در دو بازار مالی مطرح بپردازیم.برای این منظور بازارهای اونس طلا و شاخص اس اند پی 500 درچارچوب های زمانی کوتاه و بلند مدت بر مبنای یک افق ثابت 20 پیش بینی شده و برای هر یک از چارچوب های زمانی تایم فریم های مختلفی انتخاب شده است. داده های بسته شدن قیمت از سال 1995 تا 2022 در هر تایم فریمی بنا بر مدت زمان خود مورد استفاده قرار گرفته است. نتایج تحقیق نشان می دهد با استفاده از تئوری ایست بهینه در چارچوب زمانی کوتاه مدت، شاخص اس اند پی با 67% وانس طلا با 53% موفقیت در پیش بینی قیمت ها را به دست آورده است..در چارچوب زمانی بلند مدت انس طلا به میزان 85% و شاخص اس اند پی 500 به میزان 68% موفقیت در پیش بینی قیمت ها را داشته است. تفاصيل المقالة -
حرية الوصول المقاله
107 - Long-term Streamflow Forecasting by Adaptive Neuro-Fuzzy Inference System Using K-fold Cross-validation: (Case Study: Taleghan Basin, Iran)
Reza Esmaeelzadeh Alireza Borhani DarianeStreamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (mont أکثرStreamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (monthly, seasonal) and moreover, cross-validation method (K-fold) is investigated to evaluate test-training data in the model.Then, the results are compared with those of the typical validation method (i.e., using 75% of data for training and the remaining 25% for testing the validity of the trained model). Study area is Taleghan basin located in northwestern Tehran basin, Iran. The data used in this research consists of 19 years of monthly streamflow, precipitation and temperature records. To apply temperature and precipitation data in the model, the whole basin was divided into sub-basins and average values of each parameter for each sub-basin were allocated as model input. Finally, results were compared with those of the ANN model. It was found that the K-fold validation method leads to better performance than the typical method in terms of statistical indices. In addition, the results indicated the superiority of ANFIS model over ANN model in long-term forecasting. تفاصيل المقالة -
حرية الوصول المقاله
108 - استفاده از رگرسیون انتقال هموار(STR)در پیش بینی سیکل های تجاری
هارمونی شاه مرادی حمید ابریشمی اورانوس پریورپیش بینی سیکل های تجاری در اقتصاد کلان،اهمیت ویژه ای دارد و بخش مهمی از فرایند تصمیم گیری و سیاست گذاری در اقتصاد را تشکیل می دهد.در سالهای اخیر،به مدلهای غیر خطی برای پیش بینی متغیرهای اقتصادی بیشتر توجه شده و گسترش به یادگیری این مدلها به بهبود چشمگیری در عرصه مدلسا أکثرپیش بینی سیکل های تجاری در اقتصاد کلان،اهمیت ویژه ای دارد و بخش مهمی از فرایند تصمیم گیری و سیاست گذاری در اقتصاد را تشکیل می دهد.در سالهای اخیر،به مدلهای غیر خطی برای پیش بینی متغیرهای اقتصادی بیشتر توجه شده و گسترش به یادگیری این مدلها به بهبود چشمگیری در عرصه مدلسازی رفتار متغیرها در حیطه اقتصاد کلان و به ویژه اقتصاد مالی منجر شده است.در این مقاله،مدلی مناسب و قوی برای پیش بینی سیکل های تجاری با استفاده از رگرسیون انتقال هموار(STR)ارائه شده است.نتایج خطای بسیار کمی را نشان میدهد که بر کارایی قابل قبول مدل دلالت دارد. تفاصيل المقالة -
حرية الوصول المقاله
109 - ارتباط بین پیشبینیهای جریان نقد با هزینۀ حقوق صاحبان سرمایه
علی باغانی نرگس قربانیپیشبینی جریان نقد، امر مهمی است که در بسیاری از تصمیمهای اقتصادی موردنیاز است؛ زیرا جریانهای نقد، نقش مهمی را تقریباً در تمامی تصمیمگیریهای گروههایی مانند تحلیلگران اوراق بهادار، اعتباردهندگان و مدیران بازی میکند(اسلون،1996). برای کشف این حقیقت، در این پژوهش س أکثرپیشبینی جریان نقد، امر مهمی است که در بسیاری از تصمیمهای اقتصادی موردنیاز است؛ زیرا جریانهای نقد، نقش مهمی را تقریباً در تمامی تصمیمگیریهای گروههایی مانند تحلیلگران اوراق بهادار، اعتباردهندگان و مدیران بازی میکند(اسلون،1996). برای کشف این حقیقت، در این پژوهش سعی شده است، با استفاده از تحلیل دادهها، ارتباط بین پیشبینی جریان نقد با هزینۀ حقوق صاحبان سرمایه بررسی شود. نمونۀ آماری پژوهش 167 شرکت پذیرفتهشده در بورس اوراق بهادار تهران را در یک دورۀ زمانی 6 ساله دربر میگیرد؛ و برای جمعآوری اطلاعات، از روش رگرسیون ترکیبی چندمتغیره برای آزمون فرضیههای مطرحشده استفاده میشود. برای آزمون فرضیهها و درنهایت تجزیهوتحلیل دادهها، از نرمافزار EXCEL و نیز نرمافزارهای آماری SPSS23، EVIEWS9، و MINITAB19 استفاده شده است. برای آزمون فرضیهها به تبعیت از مقاله سانگ هوان یونگ3(2015) از مدلهای زیر استفاده شده است. با توجه به تعداد متغیرهای موردمطالعه، از روش رگرسیون چندگانه استفاده شد. نتایج پژوهش نشانگرِنبودِ رابطۀ معنادار بین پیشبینیهای جریان نقد و هزینۀ حقوق صاحبان سرمایه است. تفاصيل المقالة -
حرية الوصول المقاله
110 - A Wavelet Transform-Based Hybrid Short Term Load Forecasting Method for Managing the Costs of EV Charging Stations and Parking Lots
Yashar Khanchoupani Mojtaba Beiraghi Reza GhanizadehAdvanced data processing methods are emerging on a daily basis and they can be used in many tasks. Short-term load forecasting (STLF) is an essential task for power distribution systems. Specially, for the electric vehicle (EV) charging stations and parking lots the STL أکثرAdvanced data processing methods are emerging on a daily basis and they can be used in many tasks. Short-term load forecasting (STLF) is an essential task for power distribution systems. Specially, for the electric vehicle (EV) charging stations and parking lots the STLF can give precise time tables in which the electrical power demand is at the lowest and the electric prices are low too. In this paper, we developed a STLF system that works based on wavelet transform of the load data collected from the previous 3 months. Next, we perform the feature selection using the Gram-Schmidt (GS) procedure. The selected features are then fed to the Radial basis function (RBF) network in order to predict the power usage one day ahead. The learning algorithm that is used for the RBF network is the hybrid "k-means, RLS" algorithm. It is indicated that the proposed RBF network works more accurately or at least equal to the previously presented support vector machine (SVM) predictor. Also, the computational complexity of the RBF network is much less than SVM and consequently, the time consumption of the presented system is far less than recently proposed methods. The numerical simulation results based on the real-world load data of the Urmia city showed that the proposed method based on the wavelet transform features and the hybrid RBF is more efficient than the previous SVM both in accuracy (more than 29%) and computational complexity (more than 30%). تفاصيل المقالة -
حرية الوصول المقاله
111 - مقایسه قدرت پیش بینی منحنی فیلیپس کینزین جدید هایبریدی و مدل ARIMA از تورم
زهرا افشاری مرضیه بیاتدر تحقیق حاضر ابتدا منحنی فیلیپس کینزین جدید هایبریدی با استفاده از داده های فصلی، طی دوره زمانی1q1375تا 4q1389 بر اساس روش گشتاورهای تعمیم یافته (GMM)برآورد شده است، سپس با استفاده از معیار آکائیک یک مدل مناسب ARIMA تصریح گردید. در پایان هم، تورم با استفاده از هر دو مد أکثردر تحقیق حاضر ابتدا منحنی فیلیپس کینزین جدید هایبریدی با استفاده از داده های فصلی، طی دوره زمانی1q1375تا 4q1389 بر اساس روش گشتاورهای تعمیم یافته (GMM)برآورد شده است، سپس با استفاده از معیار آکائیک یک مدل مناسب ARIMA تصریح گردید. در پایان هم، تورم با استفاده از هر دو مدل، در دو افق چهار دوره ای و هشت دوره ای پیش بینی گردید و ریشه میانگین مربع خطای دو مدل مقایسه شد. نتایج حاصل از تخمین منحنی فیلیپس کینزین جدید هایبریدی نشان می دهد که قیمت های گذشته تاثیر بیشتری نسبت به قیمت های آینده بر تورم داشته اند و ضریب شکاف محصول هم معنی دار و مثبت بوده که نشان می دهد با افزایش شکاف محصول از سطح بالقوه خود، تورم 41 درصد افزایش می یابد، به عبارت دیگر سیاست های انبساطی به منظور افزایش محصول منجر به تورم خواهد شد. سپس بعد از تصریح یک مدل (4و4) ARMAو پیش بینی تورم، نتایج نشان می دهد که در هر دو افق پیش بینی، منحنی فیلیپس کینزین جدید، ریشه میانگین مربع خطای(RMSE) کمتری نسبت به مدل ARMA داشته است و بهتر توانسته تورم را پیش بینی کند Abstract Hybrid New Keynesian Phillips curve in the present study, using quarterly data over the period to 4q1389 1q1375 based on GMM is estimated, using the criteria stipulated Kayyk an ARIMA model was In the end, inflation, using both models, in both four and eight-period horizon, and the root mean square error of prediction models were compared HNKPC estimation results indicate that past prices influence future prices more than the rate of inflation and the output gap was positive and significant. Shows that increasing the level of potential output gap, inflation increased by 41%, ie expansionary policies to enhance product will lead to inflation. Then specify a model ARMA (4,4) and inflation forecasts, the results show that both forecast horizons, new Keynesian Phillips curve, the root mean square error (RMSE) is less than the ARMA model and better able to predict inflation. تفاصيل المقالة -
حرية الوصول المقاله
112 - 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
113 - پیشبینی روند اقتصادی با شاخصهای پیشرو در اقتصاد ایران
اسفندیار جهانگرد علرضا فرهادی کیادر این پژوهش،به منظور پیش بینی اقتصادی،از روشهای متغیرهای پیشرو در اقتصاد ایران استفاده میکنیم.برای این منظور با توجه به تعاریف و روش های شناخته شده بین المللی و ویژگیهای اقتصاد ایران،شاخصهای ترکیبی آینده نگر و همزمان بر اساس روشNBER برای دوره بهار 1367 تا زمستان 1386 ر أکثردر این پژوهش،به منظور پیش بینی اقتصادی،از روشهای متغیرهای پیشرو در اقتصاد ایران استفاده میکنیم.برای این منظور با توجه به تعاریف و روش های شناخته شده بین المللی و ویژگیهای اقتصاد ایران،شاخصهای ترکیبی آینده نگر و همزمان بر اساس روشNBER برای دوره بهار 1367 تا زمستان 1386 را با استفاده از داده های فصلی بانک مرکزی جمهوری محاسبه کرده و با استفاده از الگوهای ARMAالگوی اقتصادی تجربی برای پیش بینی دوره های اتی اقتصاد ایران را برآورد میکنیم.متغیرهای تاثیر گذار بر تولید ناخالص داخلی را با روشهای نظری،نموداری و آزمون همبستگی تعیین کرده که در بین انها،از متغیرهای ارزش افزوده بخش صنایع و معادن،هزینه های مصرفی بخش خصوصی،تشکیل سرمایه ثابت ناخالص داخلی،موجودی انبار،واردات کالا،صادرات نفت،شاخص قیمت مصرف کننده،نقدینگی،شاخص کل بورس سهام و کسری بودجه به عنوان متغیرهای تشکیل دهنده شاخص های ترکیبی استفاده شد.بر اساس نتایج حاصل از برآورد الگو پیش بینی می شود رونق به وجود امده از سالهای قبل نیز تا سال 1387 و سال 1388 کند خواهد شد. تفاصيل المقالة -
حرية الوصول المقاله
114 - 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
115 - رویکردها و ابزارهای پیش بینی هوشمند فازی در حوزه ارزهای دیجیتال
داود زارع خانقاه علی محمدی محمد ایمانی برندق امیر نجفیچکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمت أکثرچکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند تفاصيل المقالة -
حرية الوصول المقاله
116 - ارتباط بین گزارشگری مالی یکپارچه با سوگیری پیشبینی سود و آگاهی دهندگی قیمت سهام
محمد وحدانی جواد محمدی مهرچکیده گزارشگری مالی یکپارچه باعث درک جامع و بینش سرمایهگذاران از شرکت و کاهش هزینههای کسب اطلاعات، پردازش، تسهیل و ترکیب اطلاعات مربوط و اثرگذار و در نهایت آگاهی بخشی قیمت سهام، بهبود کیفیت اطلاعات و تسهیل تخصیص کارآمدتر سرمایه میشود، هدف پژوهش حاضر بررسی ارتباط بین أکثرچکیده گزارشگری مالی یکپارچه باعث درک جامع و بینش سرمایهگذاران از شرکت و کاهش هزینههای کسب اطلاعات، پردازش، تسهیل و ترکیب اطلاعات مربوط و اثرگذار و در نهایت آگاهی بخشی قیمت سهام، بهبود کیفیت اطلاعات و تسهیل تخصیص کارآمدتر سرمایه میشود، هدف پژوهش حاضر بررسی ارتباط بین گزارشگری مالی یکپارچه با سوگیری پیشبینی سود و آگاهی دهندگی قیمت سهام میباشد. جامعه آماری این پژوهش، کلیه شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران هستند و 167 شرکت در دوره زمانی 1391 تا 1399 به روش حذف سامانمند انتخابشدهاند. همچنین برای آزمون فرضیههای پژوهش، از الگوی رگرسیون چند متغیره مبتنی بر دادههای ترکیبی استفاده شد. نتایج فرضیه اول حاکی از آن است که بین گزارشگری مالی یکپارچه و سوگیری مالی رفتاری در پیشبینی قیمت سهام رابطه مستقیم و معناداری وجود دارد. نتیجه آزمون فرضیه دوم نشان داد گزارشگری مالی یکپارچه و دقت پیشبینی سود رابطه مستقیم و معناداری وجود دارد. گزارشگری مالی یکپارچه با افشای اطلاعات مالی و غیرمالی از فرایند گزارشگری مالی و فعالیت شرکتها باعث میشود سرمایهگذاران و تحلیل گران پیشبینیهای دقیقتری داشته باشند. نتیجه آزمون فرضیه سوم نشان داد بین گزارشگری مالی یکپارچه و آگاهی دهندگی قیمت سهام رابطه مستقیم و معناداری وجود دارد. میتوان گفت ارائه گزارشگری یکپارچه اطلاعات مالی و غیرمالی فرایند خلق ارزش شرکت در قالب گزارشگری مالی باعث میشود محتوای اطلاعاتی قیمت سهام آگاهیدهنده بوده و سرمایهگذاران در سهام به توجه به تئوری سرمایهگذاری منطقی، تصمیمات بهینه داشته باشند تفاصيل المقالة -
حرية الوصول المقاله
117 - رابطه بین پیشبینی اجباری سودو تعدیل پیشبینی با اقلام تعهدی غیرعادی
علیرضا رحیمی عارف فروغی مجید آزادی ششدهچکیدهسود خالص و تعدیلات آن از باارزشترین اطلاعات مورد استفادهسرمایهگذاراناست. این مقالهبه دنبال پاسخ به این سوال است که آیا شرایط شرکت (ابهام یا ناتوانی در درک اطلاعات اقتصادی) بر رابطه بین خطای پیشبینی و تعدیل پیشبینی سود توسط مدیریت اثر گذار است یا خیر؟بدین منظور أکثرچکیدهسود خالص و تعدیلات آن از باارزشترین اطلاعات مورد استفادهسرمایهگذاراناست. این مقالهبه دنبال پاسخ به این سوال است که آیا شرایط شرکت (ابهام یا ناتوانی در درک اطلاعات اقتصادی) بر رابطه بین خطای پیشبینی و تعدیل پیشبینی سود توسط مدیریت اثر گذار است یا خیر؟بدین منظور ابتدا رابطه بین اقلام تعهدیغیرعادی و جمع اقلام تعهدی و خطا و تعدیل پیشبینی سود، آزمون و سپس تاثیر ابهام و ناتوانی شرکتی در درک اطلاعات اقتصادی بر رابطه فوق مورد بررسی قرار گرفت. به منظور آزمون فرضیههای پژوهش از رگرسیون چند متغیره بهره گرفته شده است. نمونه مورد مطالعه شامل91 شرکت پذیرفته شده در بورس اوراق بهادار تهران میباشد. یافتههای پژوهش بیانگر این است که بین اقلام تعهدی سرمایه درگردش و اقلام تعهدی غیرعادی سرمایه در گردش باخطای پیشبینی سود توسط مدیریت رابطه مستقیم وجود دارد،اما بین اقلام تعهدی سرمایه در گردش و اقلام تعهدی غیرعادی سرمایه در گردش باتعدیل پیشبینی رابطه معکوس وجود دارد. همچنین ناتوانی در درک اطلاعات اقتصادی این رابطه را تقویت میکند در حالی که شرایط ابهام بر رابطه مذکور اثر گذار نمیباشد. تفاصيل المقالة -
حرية الوصول المقاله
118 - Short Term Load Forecasting by Using ESN Neural Network Hamedan Province Case Study
Milad SasaniAbstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province أکثرAbstract Forecasting electrical energy demand and consumption is one of the important decision-making tools in distributing companies for making contracts scheduling and purchasing electrical energy. This paper studies load consumption modeling in Hamedan city province distribution network by applying ESN neural network. Weather forecasting data such as minimum day temperature, average day temperature, maximum day temperature, minimum dew temperature, average dew point temperature, maximum dew temperature, maximum humidity, average humidity and minimum humidity are collected from weather forecasting station in Hamedan city province. By studying these parameters and daily electrical energy consumption registered in Distribution Company of Hamedan city province and using statistical analysis factors, the parameters which affect daily electricity consumption have been recognized. By applying ESN neural network modeling this load with recognized parameters has been carried out and load forecasting has been assessed. Forecasting result indicates high accuracy of ESN network system for load forecasting short term. تفاصيل المقالة -
حرية الوصول المقاله
119 - A Hybrid GA-Modified Harvey Model for Short-term Forecasting of Day-ahead Electricity Price and Electricity Load
Mehdi Abroon Alireza Jahangiri Ahmad Ghaderi ShamimThe ability of different Harvey models has been proven for long term forecasting of time series. In this paper a new approach based on modified Harvey model tuned by genetic algorithm is proposed for short term forecasting of electricity price and electricity load. To c أکثرThe ability of different Harvey models has been proven for long term forecasting of time series. In this paper a new approach based on modified Harvey model tuned by genetic algorithm is proposed for short term forecasting of electricity price and electricity load. To consider the fluctuate nature of electricity price and electricity consumption, the model consists of some nonlinear terms of forecasts, which the optimal order of the nonlinear terms is determined based on T test and RMSE factor. The optimal order for hourly electricity price and hourly electricity consumption is 3 and 2 nonlinear terms, respectively. The proposed model is applied to the hourly electricity consumption and power market hourly price data for Iran from 22/12/2014-19/02/2015 using statistical analysis software EViews 5. The comparison revealed that the modified Harvey model is a very appropriate candidate for day ahead simultaneous forecasting of hourly electricity price and hourly electricity consumption تفاصيل المقالة -
حرية الوصول المقاله
120 - A Machine Learning Approach to Detect Energy Fraud in Smart Distribution Network
Mahdi Emadaleslami Mahmoud-Reza HaghifamElectricity utility have long sought to identify and reduce energy fraud as a significant part of non-technical losses (NTL). Generally, to determine customer’s honesty in consumption on-site inspection is vital. Since, inspecting all customers is expensive, utili أکثرElectricity utility have long sought to identify and reduce energy fraud as a significant part of non-technical losses (NTL). Generally, to determine customer’s honesty in consumption on-site inspection is vital. Since, inspecting all customers is expensive, utilities look for new ways to reduce inspection’s range to cases with a higher probability of fraud. One way to reduce the scope of inspection is to use machine learning (ML) algorithms to analysis consumption pattern. But, their performance is not satisfactory due to insufficiency of fraudulent customers. In this paper, a new two-stage ML-based model is presented to detect fraud in distribution network. . In the first stage, an Artificial Neural Network (ANN) is trained to model fraudulent customers, which is used to predict theft scenarios for normal consumers to handle data insufficiency. In the second stage, a Support Vector Machine (SVM) classifier is trained to distinguish normal and suspicious consumers. Assessment and comparison of the proposed algorithm to those of conventional models on a real data set with more than 5000 customers shows its high performance. تفاصيل المقالة -
حرية الوصول المقاله
121 - Hourly Wind Speed Prediction using ARMA Model and Artificial Neural Networks
Farzaneh Tatari Majid MazouchiIn this paper, a comparison study is presented on artificial intelligence and time series models in 1-hour-ahead wind speed forecasting. Three types of typical neural networks, namely adaptive linear element, multilayer perceptrons, and radial basis function, and ARMA t أکثرIn this paper, a comparison study is presented on artificial intelligence and time series models in 1-hour-ahead wind speed forecasting. Three types of typical neural networks, namely adaptive linear element, multilayer perceptrons, and radial basis function, and ARMA time series model are investigated. The wind speed data used are the hourly mean wind speed data collected at Binalood site in Iran. Simulation results indicate the ability of the proposed methods in 1-hour-ahead wind speed forecasting in Binalood of Iran. تفاصيل المقالة -
حرية الوصول المقاله
122 - تبیین رابطه ترکیب ریسک نامطلوب و ریسک مطلوب در پیش بینی نوسانات بازده بازار
حسین راد کفترودی محمدحسن قلی زاده مهدی فداییهدف از انجام این تحقیق تبیین رابطه ریسک نامطلوب و ریسک مطلوب در پیش بینی نوسانات بازده بازار می باشد. این تحقیق از لحاظ ماهیت از نوع توصیفی و از لحاظ هدف کاربردی است. جامعه آماری تحقیق ، شرکت های پذیرفته شده در بورس اوراق بهادار تهران و نمونه مورد نظر شرکت های پذیرفته ش أکثرهدف از انجام این تحقیق تبیین رابطه ریسک نامطلوب و ریسک مطلوب در پیش بینی نوسانات بازده بازار می باشد. این تحقیق از لحاظ ماهیت از نوع توصیفی و از لحاظ هدف کاربردی است. جامعه آماری تحقیق ، شرکت های پذیرفته شده در بورس اوراق بهادار تهران و نمونه مورد نظر شرکت های پذیرفته شده در صنعت سیمان هستند که داده های مورد نیاز تحقیق از آن ها قابل استخراج است. دوره زمانی تحقیق، از سال 1392 تا سال 1397 می باشد. این تحقیق دارای مدلی نظری است و برای آزمون فرضیه ها از مدل خود رگرسیون برداری استفاده گردید. در صنعت سیمان با توجه به آماره t و جهت ضریب آن مشخص می شود متغیر پیش بینی نوسانات بازده بازار با ریسک نامطلوب و ریسک مطلوب ایجاد همبستگی می کند. همچنین مقدار ضریب تعیین تعدیل شده در این رابطه 51 درصد می باشد که میزان این تاثیرگذاری را نشان می دهد. تفاصيل المقالة -
حرية الوصول المقاله
123 - کاربرد مدل ساز اقتصاد سنجی جهت پیشبینی قیمت سهام در بازار سرمایه
علیرضا سادات نجفی سهیلا سرداریکی از روشهای مطرح در بررسی علمی بازار سرمایه استفاده از مدل سازهای اقتصاد سنجی می باشد . در پژوهشهای انجام شده اغلب مدلسازهای اقتصاد سنجی محدود، بدون مقایسه و بررسی میزان خطای پیشبینی سایر الگوریتمها ، مورد بررسی قرار گرفته اند . در این پژوهش برای رفع این نقیصه با اج أکثریکی از روشهای مطرح در بررسی علمی بازار سرمایه استفاده از مدل سازهای اقتصاد سنجی می باشد . در پژوهشهای انجام شده اغلب مدلسازهای اقتصاد سنجی محدود، بدون مقایسه و بررسی میزان خطای پیشبینی سایر الگوریتمها ، مورد بررسی قرار گرفته اند . در این پژوهش برای رفع این نقیصه با اجرا و مقایسه روش های مطرح برروی سهم های منتخب و بر اساس پارامترهای ارائه شده کارا ترین الگوریتم مشخص گردیده است. از سوی دیگر اغلب مرتبه جمله خود رگرسیو و مرتبه جمله میانگین متحرک جهت بررسی ها به صورت محدود در نظر گرفته می شود که بر اساس معیار اطلاعات بیزی روش تعیین درجات p و q جهت دستیابی به پاسخ بهینه را ارائه نموده ایم و با مقایسه روش های میانگین متحرک خود رگرسیو ، میانگین متحرک تجمیعی خود رگرسیو ، میانگین متحرک تجمیعی خود رگرسیو فصلی ، میانگین متحرک تجمیعی خود رگرسیو با متغیر توضیحی ،میانگین متحرک تجمیعی خود رگرسیو فصلی با متغیر توضیحی ، مدل خود رگرسیو با واریانس ناهمسانی شرطی تعمیم یافته ، مدل خود رگرسیو نمایی با واریانس ناهمسانی شرطی تعمیم یافته و مدل رگرسیون با خطاهای میانگین متحرک خود رگرسیو در بازار بورس اوراق بهادار تهران مورد بررسی قرار گرفته اند. تفاصيل المقالة -
حرية الوصول المقاله
124 - آزمون تغییرپذیری عوامل موثر در پیشبینی بازده سهام با استفاده از مدلهای میانگین گیری پویا (DMA)
حسین مقصود حمیدرضا وکیلی فرد تقی ترابیدر این تحقیق تلاش شده است با استفاده از مدلهای میانگینگیری پویا و دادههای ماهانه در بازه زمانی 1388:1 تا 1396:12 بازدهی سهام در بورس اوراق بهادار تهران بررسی شود. در این راستا متغیرهای کلان و شاخصهای بازارهای موازی به منظور پیشبینی بازده سهام مورد استفاده قرارگرف أکثردر این تحقیق تلاش شده است با استفاده از مدلهای میانگینگیری پویا و دادههای ماهانه در بازه زمانی 1388:1 تا 1396:12 بازدهی سهام در بورس اوراق بهادار تهران بررسی شود. در این راستا متغیرهای کلان و شاخصهای بازارهای موازی به منظور پیشبینی بازده سهام مورد استفاده قرارگرفتهاست. نخست با برآورد مدلهای رگرسیون بازگشتی، مدلهای پارامتر متغیر-زمان (TVP)، مدل انتخابی پویا (DMS) و مدل میانگینگیری پویا (DMA) در نرم افزار متلب مشاهده گردید مدل DMS با 95/0 α= β= بر اساس معیارهای سنجش عملکرد پیشبینی) MAFE، MSFE و Log(PL) ( از دقت پیشبینی بالاتری در مقایسه با سایر روشها برخوردار است. همچنین بر اساس نتایج برآورد متغیر قیمت طلا (48 دوره)، نرخ ارز (36 دوره) و متغیر تورم (30 دوره) به ترتیب بالاترین و متغیرهای قیمت جهانی نفت و تولید ناخالص داخلی نیز به ترتیب با 28 و 2 تکرار کمترین تاثیر را بر بازدهی سهام داشتهاند. نتایج مبین آن است که استفاده از مدلهای پویا با در نظر گرفتن تغییرات زمانی پارامترها و تغییر در مدل، کارایی پیشبینی بازدهی سهام را افزایش میدهد. تفاصيل المقالة -
حرية الوصول المقاله
125 - تأثیر استفاده از استراتژیهای معاملات کاهش ابعاد در پیشبینی بازده روزانه سهام روش پانل دیتا.
احترام رهدارپور حشمت اله عسگریسیستمهای خبردهی بازده سهام با ارائه اطلاعات بهموقع موجب تصمیمگیریهای بهینه میگردند.پیشبینی سود توسط مدیریت در ارزیابی سودآوری، ریسک مرتبط با سود، قضاوت در مورد قیمت سهام و مدلهای ارزشیابی در سطح گستردهای مورداستفاده قرار میگیرد (مانفرد و اینکی ، 2014). هدف ما د أکثرسیستمهای خبردهی بازده سهام با ارائه اطلاعات بهموقع موجب تصمیمگیریهای بهینه میگردند.پیشبینی سود توسط مدیریت در ارزیابی سودآوری، ریسک مرتبط با سود، قضاوت در مورد قیمت سهام و مدلهای ارزشیابی در سطح گستردهای مورداستفاده قرار میگیرد (مانفرد و اینکی ، 2014). هدف ما در این پژوهش این است که ، تأثیر استراتژیهای معاملاتی کاهش ابعاد بر پیش بینی بازده روزانه بازار سهام به روش منطق فازی شرکتها را مورد بررسی و کاوش قرار دهیم . این پژوهش از نوع مطالعه کتابخانهای و تحلیلی- علی بوده و مبتنی بر تحلیل دادههای تابلویی (پانل دیتا) است. در این پژوهش اطلاعات مالی 19 شرکت پذیرفتهشده در بورس اوراق بهادار تهران در طی دوره زمانی 1390 تا 1397 بررسیشده است. نتایج تحقیق نشان داد که استفاده از استراتژی معاملات کاهش بازده سهام و استراتژی کاهش قیمت سهام بر پیشبینی بازده روزانه بازار سهام تأثیرمعنیداری دارد ولیکن استراتژی معاملات کاهش حجم معاملات تأثیرمعنیداری بر پیشبینی بازارسهام ندارد. تفاصيل المقالة -
حرية الوصول المقاله
126 - طراحی سیستم پشتیبان تصمیم به منظور پیش بینی تقاضا جهت طراحی شبکه پویا استوار در شرایط عدم قطعیت و تأثیر آن بر توجیه پذیری اقتصادی
محمد مختاری ابوتراب علیرضایی حسن جوانشیر محمود مدیریبه حداقل رسیدن هزینه های زنجیره تأمین به عنوان یکی از مسائل ضروری در فعالیت های مرتبط با پشتیبانی از جمله سیستم های برنامه ریزی مالی،فعالیت های مربوط به بازاریابی و فروش،قیمت تمام شده محصولات به چگونگی مدیریت زنجیره تأمین مجموعهای از روشهایی که برای یکپارچهسازی مؤثر أکثربه حداقل رسیدن هزینه های زنجیره تأمین به عنوان یکی از مسائل ضروری در فعالیت های مرتبط با پشتیبانی از جمله سیستم های برنامه ریزی مالی،فعالیت های مربوط به بازاریابی و فروش،قیمت تمام شده محصولات به چگونگی مدیریت زنجیره تأمین مجموعهای از روشهایی که برای یکپارچهسازی مؤثر تأمینکنندگان، تولیدکنندگان، انبارها و فروشگاهها به کار میرود،بستگی دارد تا هزینههای کل زنجیره تأمین به حداقل برسد و همچنین نیاز مشتریان با سطح خدمترسانی بالایی برآورده شود.در این مقاله به منظور برنامه ریزی و طراحی شبکه زنجیره تامین پویا در شرایط عدم قطعیت از ابزار پیش بینی با استفاده از شبکه عصبی مصنوعی پرداخته شده است.هدف پژوهش یکی از مهمترین موارد رعایت شده در این تحقیق استفاده از متدولوژی های هوش مصنوعی مانند Grid Clustering, Subtractive Partitioning, FCM به منظور کشف الگوها و روابط بنیادی و تکنیکال موجود در داده های تاریخی استفاده شده است. برای این کار به ارائه یک شبکه عصبی مصنوعی چند لایه فازی استنتاجی مبتنی برزنتیک جهت جلوگیری از غیرتوجیه پذیری فنی و اقتصادی حل و اجرا پرداخته شده است. مدل پایه این مقاله که توسط محقق ارائه شده است به برنامه ریزی استوار و چند دوره ای برای حالت چند محصولی در شرایط عدم قطعیت می باشد. تفاصيل المقالة -
حرية الوصول المقاله
127 - طراحی مدلی جهت پیش بینی بازده شاخص کل بورس اوراق بهادار(با تاکید بر مدلهای ترکیبی شبکه یادگیری عمیق و مدلهای خانواده GARCH)
مهدی ذوالفقاری بهرام سحابی محمد جواد بختیاراندر سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلها أکثردر سالهای اخیر، توسعهی پردازندههای کامپیوتری موجب معرفی الگوریتمهای جدیدی برای پیشبینی دادههای مالی شده است که یکی از این الگوریتمها، یادگیری ماشین (Machine Learning) است. از اینرو در پژوهش حاضر به معرفی یک مدل ترکیبی از شبکه یادگیری عمیق (Deep Learning) و مدلهای منتخب خانواده GARCH جهت پیشبینی کوتاهمدت بازدهی روزانه شاخص کل بورس اوراق بهادار تهران پرداخته میشود. مهمترین ویژگی شبکه یادگیری عمیق در این است که بدون محدود بودن به مدلهای معین، میتواند خود را با نوسانات متغیرهای بازار هماهنگ و تعدیل نماید. در این پژوهش از میان مدلهای شبکه یادگیری عمیق، شبکه عصبی بازگشتی مبتنی بر حافظه کوتاهمدت و بلندمدت (RNN-LSTM) انتخاب و از مدلهای دارای حافظهکوتاه مدت GARCH و EGARCH در ساختار آن استفاده میشود. همچنین دو متغیر مستقل قیمت نفت و نرخ دلار در ساختار مدل ترکیبی، کمک فراوانی به آن در پیشبینی دقیقتر دادههای مالی میکند. نتایج تحقیق نشان میدهد که مدلهای ترکیبی دقت پیشبینی بالاتری نسبت به مدلهای تکی دارند. همچنین براساس معیارهای ارزیابی خطای پیشبینی RMSE و MAPE، مدل RNN-LSTM-EGARCH برپایه توزیع GED دارای خطای پیشبینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیشبینی دیبولد-ماریانو (DM) نیز یافتههای فوق را تایید میکند. تفاصيل المقالة -
حرية الوصول المقاله
128 - مقایسه مدلهای مختلف یادگیری ماشین در پیشبینی شاخص بازار سهام
مریم سهرابی سید مظفر میربرگ کار ابراهیم چیرانی سینا خردیارپیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان دادهها موجب رشد تحولات در زمینه مدلهای یادگیری ماشین شده است. با توجه به اهمیت ا أکثرپیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان دادهها موجب رشد تحولات در زمینه مدلهای یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهرهگیری از مقایسه مدلهای مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیشبینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دورههای 1، 3 و 6 روزه برای دوره خارج از نمونه نشان میدهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاهمدت (LSTM) در مقایسه با سایر مدلهای مورد بررسی نتیجه بهتری داشته است. تفاصيل المقالة -
حرية الوصول المقاله
129 - مقایسه رگرسیون خطی چندگانه و الگوریتمهای یادگیری ماشین در پیشبینی نگهداشت وجه نقد
سمیرا سیف مصطفی یوسفی طزرجاندر سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکتها شده است. لذا؛ پیشبینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روشهای خطی و غیرخطی و 13 متغیر ورودی تاثیرگذار میزان وجه نقد در 103 شرکت پذیرفته شده در بو أکثردر سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکتها شده است. لذا؛ پیشبینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روشهای خطی و غیرخطی و 13 متغیر ورودی تاثیرگذار میزان وجه نقد در 103 شرکت پذیرفته شده در بورس اوراق بهادار ایران طی سالهای 1392 تا 1400 پیشبینی شده است. روشهای بهکار رفته شامل رگرسیون خطی چندگانه (MLR) ، نزدیکترین k همسایه (KNN) ، ماشین بردار پشتیبان (SVM) و شبکههای عصبی چند لایه (MLNN) برای پیشبینی استفاده شده است. نتایج نشان میدهد که روش سنتی رگرسیون خطی چندگانه در پیشبینی وجه نقد موفق عمل نکردهاند ولی الگوریتمهای یادگیری ماشین با دقت 99/0 برتر بودهاند. متغیرهای سود هر سهم، نسبت داراییهای جاری به بدهیهای جاری و نسبت بدهی کوتاهمدت به کل داراییها تاثیرگذاری بیشتری در همه الگوریتمها داشتهاند. بنابراین، مدیران میتوانند از الگوریتمهای پیشرفته یادگیری ماشین جهت پیشبینی میزان وجه نقد آینده شرکتها بهره بگیرند. تفاصيل المقالة -
حرية الوصول المقاله
130 - استفاده از الگوریتم ترکیبی سری های زمانی فازی برای پیش بینی قیمت سهام و مقایسه آن با قیمت های سهام محاسبه شده با الگوریتم نسبت طلایی در شرکت های پذیرفته شده بورس تهران
نگار آقایی فر محمد ابراهیم پورزرندیاهمیت ویژه بازار سرمایه در کشورها ،در توسعه اقتصادی آنها از طریق هدایت مؤثر سرمایه ها و تخصیص بهینه منابع ،غیرقایل انکار است.سرمایه گذاری در بازار سهام مستلزم تصمیم گیری در خصوص خرید سهام جدید وحفظ یا فروش سهام موجود می باشد که این خود نیازمند دستیابی به اطلاعاتی در خصو أکثراهمیت ویژه بازار سرمایه در کشورها ،در توسعه اقتصادی آنها از طریق هدایت مؤثر سرمایه ها و تخصیص بهینه منابع ،غیرقایل انکار است.سرمایه گذاری در بازار سهام مستلزم تصمیم گیری در خصوص خرید سهام جدید وحفظ یا فروش سهام موجود می باشد که این خود نیازمند دستیابی به اطلاعاتی در خصوص آینده قیمت بازار سهام می باشد.پیش بینی قیمت سهام به علت تاثیر پذیری از تعداد بسیاری از عوامل و متغیرهای اقتصادی و غیر اقتصادی همواره امری مهم و چالش برانگیز بوده،به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیش بینی آن امری ضروری و در عین حال دشوار میباشد. برای این پیش بینی نیازمند یک مدل و الگوریتم محاسباتی هستیم که بتواند به صورت سیستماتیک به این فرآیند بپردازد.ویژگی این بررسی در این است که علاوه بر امکان پیش بینی، امکان مقایسه قیمتهای پیش بینی شده را بادرنظرگرفتن یکی از چندین صنایع بورسی با قیمت محاسبه شده توسط الگوریتم نسبت طلایی در اختیار سرمایه گذاران قرار می دهد. در این بین صنعت بانکداری انتخاب شده و تمامی بانک های موجود در بورس و فرابورس مورد بررسی قرار گرفته و نتایج یکی از آنها در این مقاله ارائه شده است.همچنین از سری زمانی و منطق فازی برای واقعی سازی داده ها استفاده شده است.روش ترکیبی مذکور بر روی میانگین هفتگی قیمت های بورس اوراق بهادار تهران به کارگرفته شده است. در این تحقیق سعی گردیده ، وضعیت های خرید یا فروش سهام برای سرمایه گذاران با روابط محاسباتی نشان داده شود. تفاصيل المقالة -
حرية الوصول المقاله
131 - پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی: شواهدی از بورس اوراق بهادار
محمدرضا وطن پرست مسعود اسدی شعبان محمدی عباس باباییدر این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام ا أکثردر این پژوهش برای تعیین روش پیش بینی قیمت سهام، یک شبکه عصبی LM-BP بر اساس سری های زمانی با توجه به قیمت باز، بالاترین قیمت، پایین ترین قیمت، قیمت بسته و حجم معاملات ارائه شد. در پژوهش حاضر، 315 روز قیمت سهام را برای ایجاد 10 نمونه انتخاب و مجموعه آزمون شامل قیمت سهام از روز 316 تا روز 320 را انتخاب و از شبکه عصبی LM-BP استفاده شده است. در این پژوهش، تعیین نقطه بحرانی بیش از حد، عدم تقارن و شمارش فواصل زمانی بررسی شد. منحنی MRE2-MRE1 رسم شده و دقت مربوط به بهترین پیش بینی شبکه عصبی BP بر اساس چند تکرار مستقل برآورد شد. پس آزمون نیز به روش آزمون کوپیک و آزمون کریستوفرسون انجام شد. نتایج نشان داد که پیش بینی قیمت سهام بر اساس شبکه عصبی LM-BP و برآورد نقطه بیش از حد توسط شمارش فواصل زمانی، نتایج بهتری نسبت به روش های موجود ارائه می دهد. تفاصيل المقالة -
حرية الوصول المقاله
132 - ارائه مدلی برای پیشبینی یک گام به جلوی ارزش در معرض ریسک
احسان محمدیان امیری سیدبابک ابراهیمی مریم نژادافراسیابیپیش بینی ریسک برای دورههای آتی، نقش به سزایی در تصمیمگیری صحیح مدیران و فعالان بخش مالی برای سرمایهگذاری در شرکتها و موسسات سرمایهگذاری ایفا میکند، از طرفی تصمیمات نادرست مدیران میتواند پیامدهای نامطلوبی برای سازمان به همراه داشته باشد. لیکن یکی از مهم ترین أکثرپیش بینی ریسک برای دورههای آتی، نقش به سزایی در تصمیمگیری صحیح مدیران و فعالان بخش مالی برای سرمایهگذاری در شرکتها و موسسات سرمایهگذاری ایفا میکند، از طرفی تصمیمات نادرست مدیران میتواند پیامدهای نامطلوبی برای سازمان به همراه داشته باشد. لیکن یکی از مهم ترین مسائلی که سرمایهگذار با آن مواجه میشود پیش بینی ریسک برای دورههای آتی میباشد. اهمیت این مقوله باعث آن گردید که در این مقاله به پیش بینی یک گام به جلوی ارزش در معرض ریسک با استفاده از مدلهای خانواده هموارسازی نمایی برای دو توزیع نرمال و تیاستودنت در سطوح 95%، 97.5 و 99% پرداخته شود. عموما برای پیش بینی دورههای آتی ارزش در معرض ریسک، از روش کلاسیک استفاده میشود اما در این مقاله از مدلهای خانواده هموارسازی نمایی، که روند دادهها را در مدلسازی لحاظ کرده و به اصطلاح پایش را به صورت آنلاین انجام میدهد، استفاده شده است. برای اعتبارسنجی مدلهای ارائه شده، به مقایسه عملکرد آنان با روش کلاسیک از طریق آزمونهای پسآزمایی پرداخته شده است. نتایج به دست آمده پیش بینی دقیق تر روش هموارسازی نمایی تعدیل یافته را نسبت به روش کلاسیک در سطوح 97.5% و 99% برای توزیع نرمال و سطوح 95% و 97.5% برای توزیع تیاستودنت تأیید مینماید. تفاصيل المقالة -
حرية الوصول المقاله
133 - انتخاب مدل بهینه جهت توصیف و پیشبینی نوسانات بازدهی طلا در بازار ایران: مقایسه مدلهای گارچ متعارف، انباشته و انباشته کسری
مهدی شهرازیطلا به عنوان یک پوشش در برابر شرایط معکوس بازار نقشی اساسی ایفا می کند. از این رو، درک صحیح رفتار نوسانات قیمت طلا جهت مدیریت ریسک، اتخاذ استراتژی های پوششی، انتخاب بهینه سبد دارایی و ... حائز اهمیت است. امروزه، مدل های خانواده گارچ بطور گسترده ای در مدل سازی فرآیند نوس أکثرطلا به عنوان یک پوشش در برابر شرایط معکوس بازار نقشی اساسی ایفا می کند. از این رو، درک صحیح رفتار نوسانات قیمت طلا جهت مدیریت ریسک، اتخاذ استراتژی های پوششی، انتخاب بهینه سبد دارایی و ... حائز اهمیت است. امروزه، مدل های خانواده گارچ بطور گسترده ای در مدل سازی فرآیند نوسانات بازدهی قیمت دارایی های مختلف مورد استفاده قرار می گیرند. این مقاله به مقایسه سه مدل GARCH(1,1)، IGARCH(1,1)و FIGARCH(1,d,1) در ارزیابی رفتار نوسانات قیمت طلا در بازار طلای ایران می پردازد. برای این منظور، از داده های روزانه بازدهی طلا در فاصله زمانی 05/01/1382 تا 03/10/1394 استفاده شده است. خروجی نرم افزار OxMetrics6.00 نشان می دهد که تصریح FIGARCHبهترین مدل جهت تعیین همبستگی نوسانات بازدهی طلا است. همچنین، پارامتر حافظه بلندمدت، مثبت و به لحاظ آماری معنادار است. در نتیجه، حافظه بلندمدت یک ویژگی مهم بازدهی نوسانات طلا بوده و باید در تصمیمات سرمایه گذاری مدنظر قرار گرفته شود. در نهایت، برای مقایسه دقت سه مدل مذکور در زمینه پیش بینی‎ نوسانات بازدهی طلا، کل دوره به دو زیر دوره(زیر دوره اول شامل مشاهدات درون نمونه‎ای و زیر دوره دوم شامل مشاهدات برون نمونه‎ای) تقسیم می گردد. نتایج نشان می دهد که بر اساس هر سه معیار میانگین مطلق خطا (MAE)، جذر میانگین مربعات خطا (RMSE) و شاخص نابرابری تایل (TIC) مدل FIGARCH نسبت به دو مدل دیگر عملکرد بهتری در زمینه پیش بینی نوسانات سری زمانی بازدهی‎ طلای ایران دارد. تفاصيل المقالة -
حرية الوصول المقاله
134 - مقایسه عملکرد مدل پنج عاملی فاما و فرنچ و انواع رویکرد های شبکه عصبی و عصبی فازی در پیش بینی قیمت سهام
رضا تهرانی میلاد حیرانی سمیرا منصورییکی از مهمترین موضوعات مطرح بازارهای مالی پیشبینی قیمت و بازده سهام است. در این پژوهش سعی میشود بهترین مدل و رویکرد پیشبینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگی أکثریکی از مهمترین موضوعات مطرح بازارهای مالی پیشبینی قیمت و بازده سهام است. در این پژوهش سعی میشود بهترین مدل و رویکرد پیشبینی قیمت سهام با توجه به شاخص های میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطاها (RMSE)، ضریب تعیین ( 14R2"> ) انحراف معیار (S.D)، میانگین قدر مطلق خطاها (MAE) و معیار میانگین قدر مطلق خطاها (MAPE) برای مدل پنج عاملی فاما و فرنچ انتخاب شود. بدین منظور پس از تشکیل پرتفوی با توجه به مدل پنج عاملی فاما و فرنچ در بازه زمانی 1388 تا 1395 قیمت سهام توسط مدل اقتصادسنجی، رویکردهای شبکه عصبی، شبکه عصبی بهینه سازی شده، شبکه عصبی فازی بهینه سازی شده شبکه عصبی پایه شعاعی، شبکه عصبی GMDH، شبکه عصبی SVR و شبکه های عصبی فازی پیشبینی و دقت هر کدام از رویکردها برآورد شده است. نتایج پیشبینی بازدهی پرتفویهای تشکیل شده، نشان میدهد که دقت پیشبینی شبکه عصبی تابع پایه شعاعی (RBF) نسبت به دیگر مدل های ARMA و شبکههای عصبی بسیار بالا است. تفاصيل المقالة -
حرية الوصول المقاله
135 - ارائه مدل شبیه سازی عامل بنیان جهت پیش بینی عملکرد تیم کاری در جهت بهبود راهبردهای مدیریت منابع انسانی (مطالعه موردی: گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران)
فاطمه اسکندر رضا رادفر عباس طلوعی اشلقیبا توجه به اهمیت نقش منابع انسانی در سازمان ها، برنامه ریزی راهبردی برای دستیابی به میزان بهینه تعداد منابع انسانی در سازمان از اهمیت بالایی برخودار می باشد. هدف از تحقیق ارائه مدلی جهت شبیه سازی و پیش بینی عملکرد تیمی در گروه مدیریت صنعتی در جهت شناسایی عملکرد منابع ان أکثربا توجه به اهمیت نقش منابع انسانی در سازمان ها، برنامه ریزی راهبردی برای دستیابی به میزان بهینه تعداد منابع انسانی در سازمان از اهمیت بالایی برخودار می باشد. هدف از تحقیق ارائه مدلی جهت شبیه سازی و پیش بینی عملکرد تیمی در گروه مدیریت صنعتی در جهت شناسایی عملکرد منابع انسانی در جهت بهبود راهبردهای مدیریت منابع انسانی می باشد. شاخص های تاثیرگذار بر عملکرد تیمی با استفاده از مطالعات قبلی در حوزه پژوهش شناسایی واستخراج شده و سپس با شناسایی فرآیندهای های تاثیرگذار بر عملکرد تیمی، زمان های انجام هر وظیفه در سه حالت خوشبینانه، محتمل وبدبینانه در نظر گرفته شده است. ورودی های مدل شبیه سازی تعداد دانشجویان، تعداد اعضای هیئت علمی، تعداد کارشناسان می باشد. خروجی های مربوط به عملکرد تیمی بر اساس مطالعات مرتبط به سه دسته تقسیم می شود. تعداد کتاب، مقالات و پایان نامه ها، میزان مطلوبیت اعضای تیم و تعداد وظیفه ها در حالت انجام شده، رد شده، نیاز به دوباره کاری و منتظر شروع به عنوان خروجی مدل در نظر گرفته شده است. شبیه سازی با استفاده از نرم افزار AnyLogic انجام شده است. نتایج شبیه سازی نشان می دهد که مطلوبیت مدیرگروه و کارشناس آموزش برای چند سناریو مختلف در نظر گرفته شده، دارای بیشترین مقدار می باشد، همچنین تعداد وظایفی که منتظر شروع انجام می باشند نیز در همه سناریو ها از مقدار قابل توجهی برخوردار است که نیاز است تا گروه برای بهبود راهبردهای مدیریت منابع انسانی در گروه مدیریت صنعتی سیاست های جدیدی را اتخاذ کند. تفاصيل المقالة -
حرية الوصول المقاله
136 - مقایسه قدرت پیش بینی روش شبکه عصبی مصنوعی با سایر روش های پیشبینی: مورد قیمت چغندرقند
حمید محمدی فرشید کفیل‏ زاده محمد نقشینه ‏فرد سیامک پیش‏ بیناین مطالعه با هدف پیش بینی قیمت اسمی و واقعی چغندرقند و مقایسه روش شبکه عصبی مصنوعی با سایر روش ها صورت گرفت. پس از بررسی ایستایی سری ها، تصادفی بودن متغیرها با استفاده از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون بررسی شد. براساس نتایج این آزمون ها أکثراین مطالعه با هدف پیش بینی قیمت اسمی و واقعی چغندرقند و مقایسه روش شبکه عصبی مصنوعی با سایر روش ها صورت گرفت. پس از بررسی ایستایی سری ها، تصادفی بودن متغیرها با استفاده از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون بررسی شد. براساس نتایج این آزمون ها سری قیمت اسمی چغندرقند به عنوان سری غیرتصادفی و قابل پیش بینی و سری قیمت واقعی به عنوان سری تصادفی ارزیابی شد. دوره مطالعه نیز شامل سال های 1384-1350 بود. الگوهای مورد استفاده برای پیش بینی نیز شامل الگوهای خودرگرسیو (AR)، میانگین متحرک (MA)، ARIMA، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، ARCH و شبکه عصبی مصنوعی بود. بر اساس معیار حداقل خطای پیش بینی، از میان الگوهای مورد استفاده الگوی هارمونیک در مقایسه با سایر الگوها خطای کمتری داشت. مقادیر پیش بینی شده برای سال های 1383 و 1384 به ترتیب در دامنه 396000-344000 و 448504-398000 قرار گرفت. هم چنین مقادیر به وقوع پیوسته برای سال های یاد شده به ترتیب 387200 و 447000 می باشد. تفاصيل المقالة