پیش بینی شاخص کل سهام یک کار چالش برانگیز است، با توجه به پیچیدگی متغیرهای بازار سهام و فقدان مدیریت و بروز مشکل در مواقع بحرانی، توسعه یک مدل کار آمد برای پیش بینی شاخص کل سهام بسیار دشوار است. یکی از روشهای شناخته شده و جدید برای پیش بینی شاخص کل سهام، روش استفاده از شبکه های عصبی مصنوعی میباشد. هدف اصلی از این پژوهش طراحی مدل استفاده از شبکه های عصبی مصنوعی جهت پیش بینی سری های زمانی غیر خطی (مطالعه موردی: شاخص بورس اوراق بهادار تهران) بوده و این تحقیق از نظر هدف، کاربردی و از نظر روش انجام تحقیق، توصیفی مبتنی بر پیمایش و از نظر روش بررسی، تحلیلی-ریاضی می باشد. جامعه‌ی آماری این تحقیق، شاخص کل بورس اوراق بهادار تهران ازسال 1369 تا سال 1399 می باشد. در این پژوهش ابزاری که با آن به سنجش متغیرهای مورد نظر پرداخته شده است اسناد و آمار بورس اوراق بهادار تهران بوده و برای تجزیه و تحلیل داده های این تحقیق از روش آمار توصیفی و آمار استنباطی و همچنین از شبکه عصبی مصنوعی چند لایه پرسپترون استفاده شده است. نتایج این تحقیق نشان دهنده تایید بالا بودن دقت پیش بینی شاخص کل بورس اوراق بهادار تهران نسبت به سایر روش های تخمین توسط مدل ارائه شده بوده که قدرت پیش بینی شاخص کل تا 7/1 درصد خطا را دارد و نیز تائید پیروی شاخص سهام بورس تهران از یک فرایند غیر خطی از دیگر نتایج این پژوهش بشمار می رود. Manuscript profile

Investing in stocks is fraught with long risks that make it tough to manage and predict the choices out there to the investor. Artificial Neural Network (ANN) is a popular method which also incorporates technical analysis for making predictions in financial markets. The purpose of this work is an applied study which is conducted using description based on testing as method. The discussion is established on analytical-computational methods. In this research, the documents and statistics of the Tehran Stock Exchange are used to obtain the desired variables. Descriptive statistics and inferential statistics, as well as Perceptron multi-layer neural networks are utilized to analyze the data of this research. The results of this research show the confirmation of the high prediction accuracy of the Tehran Stock Exchange index compared to other estimation methods by the presented model, which has the ability to predict the total index with less than 1.7% error. Manuscript profile

ایجاد خوشه‌های صنعتی شکل جدیدی از توسعه هستند که هدف آن‌ها افزایش توسعة منطقه‌ای است. بی شک خوشه‌های صنعتی نقش محوری و بارزی در سیاست‌های اقتصادی و صنعتی بسیاری از کشورهای توسعه یافته و در حال توسعه ایفا می‌کند. در این تحقیق به دلیل ماهیت مسأله و متناسب با گزاره‌های تحقیق از روش تحقیق توصیفی- پیمایشی استفاده گردید. با توجه به اینکه یکی از اهداف تحقیق، استفاده از نتایج یافته‌ها برای حل مسائل موجود در سازمان است، پس یک تحقیق کاربردی می‌باشد. بدر این پژوهش به منظور تعیین سطح و اولویت‌‌بندی عوامل شناسایی شده، از نظرات تخصصی 25 نفر از خبرگان و متخصصان در زمینه‌های خوشه‌های صنعتی چرم و کفش که در شرکت شهرک‌های صنعتی، اداره صنایع، اداره استاندارد، استانداری و همچنین اساتید دانشگاه استفاده گردید. جهت جمع‌آوری داده‌ها و اطلاعات مورد نیاز این پژوهش، از پرسش نامه مدل سازی راه کارهای استقرار خوشه صنعتی نوآور کفش و چرم برای رقابتی شدن با استفاده از روش استنتاج فازی استفاده شده است. همچنین در مرحله دوم نیز با استفاده از سیستم استنتاج فازی (FIS ) به تدوین مدل خوشه‌های صنعتی پرداخته شده است. نتایج حاصل این پژوهش، منتج به طراحی مدل راه کارهای استقرار خوشه صنعتی نوآور کفش و چرم برای رقابتی شدن با استفاده از روش استنتاج فازی می‌باشد. امید است با به انجام رسیدن تحقیق حاضر، گام مؤثری در تصمیم سازی مدیران برداشته شود.

Manuscript profile

مقررات قانونی زیست محیطی، فشارهای ذینفعان و جهانی شدن، بنگاه‌ها و سازمان‌ها را به سمت توسعه شیوه‌ها و عملکردهای زیست محیطی سوق داده است؛ بر همین اساس هدف این مقاله ارزیابی زنجیره تأمین سبز شرکت‌های تولیدی کوچک و متوسط با استفاده از ترکیب قواعد وابستگی و سیستم استنتاج فازی می-باشد. این پژوهش از منظر هدف، کاربردی و بر اساس روش انجام پژوهش توصیفی مدلسازی بوده است. جامعه آماری این پژوهش شامل کلیه شرکت‌های تولیدی کوچک و متوسط در استان آذربایجان‌شرقی بوده است. نمونه آماری 297 شرکت تعیین شده است. برای جمع‌آوری داده‌ها از پرسشنامه محقق ساخته استفاده شده است. برای بررسی اعتبار پرسشنامه، از اعتبار سازه بر اساس تحلیل عاملی تأییدی استفاده شده است. برای بررسی پایایی نیز از ضریب آلفای کرونباخ بهره گرفته شده است. پرسشنامه‌های تحقیق، پس از تأیید اعتبار و پایایی در بین اعضای نمونه آماری توزیع شده است. به منظور ارزیابی زنجیره تأمین سبز شرکت‌ها از سیستم استنتاج فازی بر اساس توابع عضویت مثلثی، استنتاج ممدانی و قواعد وابستگی بهره گرفته شده است. نتایج نشان می‌دهد که سیستم طراحی شده با 43 قاعده وابستگی، قادر است تا میزان سبز بودن زنجیره تأمین شرکت‌ها را بر اساس مقادیر عدد ی و واژه‌های زبانی ارزیابی نماید. Manuscript profile

امروزه یکی از مهم ترین چالش ها در بازار سرمایه پیش‌بینی قیمت سهام میباشد. داده‌های قیمت سهام، یک سری زمانی مالی را نشان می‌دهد که پیش‌بینی روند آن‌ به دلیل ماهیت پویای آن بسیار دشوار می باشد. یکی از جدیدترین روش های مورد استفاده در پیش‌بینی سری‌های زمانی مالی، شبکه عصبی پس انتشار خطا BPNN میباشد. در این مقاله از شبکه‌های عصبی براساس سه الگوریتم یادگیری مختلف لونبرگ – مارکوارت LM، گرادیان مزدوج مقیاس بندی شده SCG و منظم سازی بیزین BR برای پیش‌بینی بازار سهام براساس داده‌های محدوده ی کمترین قیمت و همچنین داده‌های 30 دقیقه‌ای شاخص بورس استفاده کرده و نتایج آن‌ها را با یکدیگر مقایسه می کنیم. هر سه الگوریتم تخمین ۹۹.۹ % را با استفاده از داده‌های محدوده ی کمترین قیمت فراهم می‌کنند. اما زمان استفاده از داده های 30 دقیقه‌ای، دقت تخمین به ترتیب به ۹۶.۲ %، ۹۷.۰ % و ۹۸.۹ % برای الگوریتم لونبرگ-مارکورات، گرادیان مزدوج مقیاس بندی شده و منظم سازی بیزین کاهش می‌یابد، در نهایت شبکه ی عصبی بهینه با روش رگرسیون مقایسه شده تا مشخص شود نتایج شبکه ی عصبی در سری های زمانی غیرخطی پیچیده، کاراتر از روشهای خطی میباشد. Manuscript profile