در اختیار معامله قسطی، دارنده اختیار به جای پرداخت یکباره مقادیر اولیه، آن را به صورت قسطی پرداخت می کند. اگر همه اقساط پرداخت شوند دارنده، حق اعمال آن را دارد، اما به محض عدم پرداخت هر یک از اقساط، معامله اختیار فسخ شده و تعهدات طرفین از بین می رود. در قسمت اول پژوهش به اهمیت اختیار معامله قسطی در دنیای مالی پرداخته شده است؛ ارتباط آن با ارزش گذاری صندوق سرمایه گذاری خطرپذیر عنوان شده و با بیان چگونگی ارتباط مدل بلک شولز با اختیار معامله قسطی، نواقص آن مدل (بلک شولز) در ارزش‌گذاری اختیار معامله قسطی ذکر شده است. از آنجایی که ارزش گذاری اختیار معامله قسطی به روش دقیق بسیار مشکل و در بسیاری از حالات نشدنی است، روش شبیه سازی مونت کارلو با استفاده از حداقل مربعات را برای ارزش گذاری اختیار معامله قسطی کاربردی کرده و از آن برای ارزش گذاری اختیار مذکور استفاده شده است. در قسمت دوم پژوهش، مقادیر بهینه سه عامل موثر بر این روش یعنی نوع تابع، تعداد متغیرهای پایه و تعداد مسیرهای شبیه سازی مورد نیاز، محاسبه شده است؛ به طوری که ارزش روش عددی به ارزش روش دقیق همگرا شود. Manuscript profile

ارزش طرح هایی که سرمایه گذار خطرپذیر در آن سرمایه گذاری می کند، به مثابه آورده صاحب آن قلمداد می شود؛ از این رو برآورد ارزش دقیق طرح از اهمیت بسزایی برخوردار می باشد. در این پژوهش به ارزش گذاری طرح خطرپذیر با استفاده از اختیارات طبیعی و اختیار معامله قسطی پرداخته ایم. بدین صورت که تنها با در نظر گرفتن فرض عدم آربیتراژ، کران بالا و پایینی برای ارزش گذاری اختیار معامله قسطی در دو حالت گسسته و پیوسته، به دست آورده ایم و از آن کران ها برای ارزش گذاری طرح های سرمایه گذاری خطرپذیر استفاده کرده ایم. با استفاده از شبیه سازی مونت کارلو نشان داده ایم که کران های به دست آمده در این مقاله از کران به دست آمده توسط دیویس و همکارنش کاراتر است. همچنین با استفاده از روش عددی مونت کارلو و رویه حداقل مربعات (لانگ اشتاف-شوارتز)، ارزش اختیار معامله قسطی را محاسبه کرده و با کران های به دست آمده مقایسه نموده ایم که ارزش تقریباً دقیق این روش عددی، در داخل کران های به دست آمده جای گرفته است که این خود دلیلی بر تایید کران هاست. Manuscript profile

Market manipulation remains the biggest concern of investors in today’s securities market. The development of technologies and complex trading algorithms seems to facilitate stock market manipulation and make it inevitable for regulators to use Deep Learning models to prevent manipulation. In this research, a Denoising GAN-based model has been designed. The proposed model (GAN-DAE4) consists of a three-layer encoder along with a 2-dimension encoder as the discriminator and a three-layer decoder as the generator. First, using statistical methods such as sequence, skewness, and kurtosis tests and some unsupervised learning methods such as Contextual Anomaly Detection (CAD) and some visual and graphical methods, the manipulated stocks have been detected in the Tehran Stock Exchange from 2015 to 2020; then GAN-DAE4 and some supervised deep learning models have been applied to the prepared data set. The results show that GAN-DAE4 outperformed other deep learning models (with F2-measure 73.71%) such as Decision Tree (C4.5), Random Forest, Neural Network, and Logistic Regression. Manuscript profile