یکی از مهم‌ترین روش‌های سنجش ریسک بازار استفاده از روش ارزش در معرض ریسک می‌باشد که نهادهای مالی نظیر بانک‌ها، بیمه‌ها و صندوق‌های سرمایه‌گذاری به طور گسترده‌ای از آن‌ها استفاده می‌نمایند. با مطرح شدن انتقادات معیار ارزش در معرض ریسک که در راس آن‌ها عدم تامین ویژگی زیر جمع‌پذیری است؛ تحقیقات به بررسی سنجه ارزش در معرض ریسک دنباله معطوف گردید و این سنجه در کمیته بازل در بانکداری و سیستم‌های توانگری مالیII اروپا و توانگری مالی سوئیس در صنعت بیمه مورد استفاده قرار گرفت؛ لذا در این پژوهش از این معیار جهت سنجش ریسک بازار سهام استفاده خواهد شد. با توجه به اینکه افق زمانی ریسک‌های یک بیمه‌گر بر خلاف بانک‌ها سالانه می‌باشد؛ لذا برای محاسبه ارزش در معرض ریسک دنباله از دو متد رویکرد واریانس-کوواریانس با بکارگیری مدل گارچ نمایی-ماشین فوق یادگیری برای پیش‌بینی نوسانات و استفاده از قاعده جذر زمان؛ و مدل شبیه‌سازی تاریخی با داده‌های فیلتر شده استفاده شده است. نتایج با استفاده‌ از بازده‌های روزانه شاخص کل بورس اوراق بهادار تهران برای سال‌های 1388 تا 1396 حاکی از دقت بیشتر مدل گارچ نمایی-ماشین فوق یادگیری و بکارگیری قاعده جذر زمان می‌باشد. Manuscript profile

با توجه به نقش روزافزون شبکه های اجتماعی در بازار سرمایه، بررسی توانایی و اثربخشی آن در جهت و قیمت سهام می تواند برای سرمایه گذاران مفید باشد. جایگاه اصلی این تحقیق در بررسی حرکت توده وار بر اساس پیشنهادهای خرید و فروش در شبکه اجتماعی با استفاده از شبکه عصبی می باشد. این تحقیق دردوره زمانی ابتدای تیرماه 1392 تاانتهای خردادماه 1393 (یکسال) می باشد و با توجه به شرایط بازار سرمایه دو دوره رکود و رونق بررسی شده است. به منظور دسترسی به داده های کافی و همچنین تواتر معاملات ، نمونه انتخابی ده شرکت از 50 شرکت فعال بورس و همچنین ده نمادی که بیشترین تعداد پست و نظر را در شبکه اجتماعی داشته اند انتخاب گردیده اند. این تحقیق دردوبخش پیش بینی جهت و قیمت سهام با داده های قیمت در مقایسه با ترکیب داده های قیمت و پیشنهادهای خرید و فروش شبکه های اجتماعی است. برای پیش بینی از شبکه عصبی مصنوعی پیش خور و بهینه سازی شبکه با 3 تا 10 وقفه و یک لایه پنهان تا 20 نرون استفاده شده است. نتایج نشان داده است که در پیش بینی قیمت سهام در دو روش تفاوت معنی داری وجود ندارد اما در پیش بینی جهت قیمت سهام با استفاده از قیمت سهام و پیشنهادهای خرید و فروش (ترکیب داده های قیمت و شبکه اجتماعی) نسبت به پیش بینی فقط با قیمت سهام در دوره رونق برای شرکت های پربیننده و در دوره رکود برای 10سهم فعال تفاوت معنی داری وجوددارد. Manuscript profile

این تحقیق به دنبال ارائه یک مدل مناسب قیمتگذاری و رفع بعضی از اشکالات رایج در مدلهای قبلی می باشد. به همین دلیل در ابتدا 82 شرکت نمونۀ تحقیق، به پرتفوی هایی براساس دو گشتاور مرتبه سوّم و چهارم داده ها یعنی همچولگی و هم کشیدگی مرتب می شوند. سپس در هرکدام از پرتفوی ها سه مدل CAPM، فاما و فرنچ و کارهارت مورد آزمون قرار گرفتند. نتایج نشان داد که تخمین مدلها براساس طبقه بندی همچولگی و هم کشیدگی باعث بهبود معنی داری مدلهای فوق می شود امّا عدم معنی داری عرض از مبدا مابه التفاوت دو پرتفوی اوّل و سوّم نشان داد که صرف همچولگی و هم کشیدگی قیمتگذاری نمی شود که این ممکن بود به دلیل یکسان فرض کردن افق سرمایه گذاری افراد باشد به همین خاطر با کمک تجزیه و تحلیل موجک پرتفوی های سه گانه در دو سطح 1(2تا 4 ماهه) و سطح 2(4تا 8 ماهه) مورد بررسی قرار گرفت. نتایج به طور جالبی نشان از بهبود ضریب تعیین مدلها داشت. از طرفی وجود حافظۀ بلندمدت در داده ها سبب می شود استفاده از آنها در تخمین با مشکل مواجه می سازد. برای رفع این مشکل از مدلهای قیمتگذاری کسری استفاده کردیم. نتایج مدلهای الگو برای پرتفوی هایP1،P2 و P3 نشان داد که ضریب تعیین نسبت به زمانیکه از داده های معمولی استفاده می کنیم بهبود چشم گیری پیدا کرده است امّا به غیر از CAPM برای P1 و P2 در سایر مدلها صرف ریسک قیمتگذاری نشده است. مقایسۀ مدلهای کسری با مدلهای برآمده از تجزیه و تحلیل موجک نشان از برتری محسوس روش تجزیه و تحلیل موجک دارد. Manuscript profile

تلاش در جهت شناسایی مدل مناسب و بالا بردن دقت اندازه گیری با استفاده از سنجه ارزش در معرض ریسک از اهمیت ویژه ای برخوردار است. ارزش در معرض ریسک شرطی (CVaR) با نداشتن برخی نواقص ارزش در معرض ریسک، سنجه قابل اعتماد تری می باشد. در این پژوهش با مطالعه در خصوص ویژگی های داده های شاخص کل بورس اوراق بهادار تهران وکاربرد مدل FIGARCH-EVT در محاسبه ارزش در معرض ریسک شرطی، تصریح دقیق تری حاصل شده است. ابتدا مدل ترکیبی GARCH-EVT پیاده سازی شد و با توسعه آن، به مدل FIGARCH-EVT رسیدیم که خاصیت خوشه ای بودن، پویا بودن و حافظه بلندمدت را در مدل سازی لحاظ نموده است. استفاده از مدل FIGARCH برای داده های بازده لگاریتمی شاخص کل، موجب لحاظ کردن خواص فوق در مدل سازی خواهد شد. بعلاوه، خاصیت دنباله پهن بودن داده های بازده شاخص با استفاده از تئوری مقدار فرین (EVT) برای پسماندهای مدل FIGARCH بکار برده می شود. برای مقایسه نتایج، مدل های NORMAL-GARCH و t-Student-GARCH، شبیه سازی تاریخی و GARCH-EVT نیز برای داده ها بازده شاخص بکار برده شده است. نتایج حاصل از مدل ها با استفاده از آزمون های پس‌آزمون مورد بررسی و مقایسه قرار گرفته اند. نتایج حاصل از این پژوهش نشان می دهد که توزیع داده ها بازدهی شاخص نامتقارن دارای چولگی بوده و از توزیع نرمال تبعیت نمی کند. بر اساس چهار آزمون جزء اخلال مازاد استانداردشده، فرآیند نقض تجمعی، پس آزمایی ریزش مورد انتظار و تابع زیان لوپز مدل FIGARCH-EVT نسبت به سایر مدل ها از دقت بالاتری برخوردار می باشد. Manuscript profile

صنعت املاک و مستغلات در کشور با ویژگی‌هایی از قبیل نقدشوندگی پایین و غیرقابل بازگشت بودن سرمایه‌گذاری انجام شده مشخص می‌باشد. صنعت ساختمان، یکی از صنایع موثر در اشتغال کشور بوده و تولیدات آن (واحدهای مسکونی) وزن قابل توجهی از پرتفوی دارایی‌های خانوارها را به خود اختصاص می‌دهند. این صنعت دارای سیکل‌های رونق و رکود فراوان می‌باشد. این چرخه‌ها منجر می‌گردد تا سرمایه‌گذاران در زمان رکود، نسبت به تعویق شروع ساخت و ساز اقدام نمایند. مدل‌های متعارف ارزیابی اقتصادی پروژه‌ها از قبیل خالص ارزش فعلی، مبتنی بر فرض ثبات در شرایط و پیش‌بینی‌ها می‌باشد و انعطاف‌پذیری مدیران در امر تصمیم گیری را نادیده می‌گیرند. در این پژوهش برای رفع نواقص مدل‌های متعارف، از اختیار واقعی جهت سنجش پروژه‌های مسکونی با استفاده از دو مدل بلک-شولز و درخت دو جمله‌ای استفاده شده است. این روش انعطاف‌پذیری مدیران را در نظر گرفته و زمان بهینه سرمایه‌گذاری براساس مسیرهای متفاوت را ارائه خواهند کرد. نتایج پژوهش حاکی از بالابودن ارزش طرح‌های سرمایه‌گذاری در اثر تاخیر در شروع ساخت و ساز می‌باشد. براساس مدل زمان بهینه سرمایه‌گذاری معرفی شده توسط مک دونالد و سیگل، زمان بهینه برای شروع پروژه ارائه شده، 5/9 سال می‌باشد. Manuscript profile

هدف این مقاله بررسی تاثیر ریسک درماندگی مالی بر سقوط قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این پژوهش از داده های آماری 195 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1395 الی 1399 استفاده شده است و برای تجزیه و تحلیل داده ها از رگرسیون چندگانه به روش دادهای پانل استفاده شده است. برای اندازه گیری متغیر درماندگی مالی از شاخص فاصله تا ورشکستگی مرتون و برای اندازه گیری سقوط قیمت سهام از چهار روش دوره خطر سقوط قیمت سهام، چولگی منفی بازده سهام، سیگمای حداکثری و نوسان پایین به بالا استفاده شده است و همچنین از متغیرهای نسبت بازدهی دارایی ها، نسبت اهرمی، نسبت ارزش بازار به ارزش دفتری و اندازه شرکت به عنوان متغیرهای کنترلی استفاده شده است. نتابج پژوهش نشان می دهد که بین درماندگی مالی و سقوط قیمت سهام رابطه مثبت و معنی داری وجود دارد. Manuscript profile

در سال‌های اخیر شبکه‌های عصبی یادگیری عمیق به عنوان ابزاری قدرتمند جهت حل مسائل پیچیده شناخته شده‌اند. یادگیری عمیق یک زیرشاخه از هوش مصنوعی است که در آن بر مبنای مجموعه‌ای از الگوریتم‌ها، مسائل پیچیده دارای پارامترها و ورودی‌های بسیار زیاد، مدل می‌شوند. در این پژوهش به ارائه چاچوب جدیدی از یادگیری عمیق پرداخته می‌شود که در آن با استفاده از تبدیل موجک، خودرمزنگار انباشته و حافظه طولانی کوتاه مدت یا LSTM به پیش‌بینی جهت بازار در قراردادهای آتی سکه طلای بورس کالای ایران می‌پردازیم. در روش پیشنهادی ابتدا با استفاده از تبدیل موجک نویز داده‌های ورودی گرفته می‌شود. سپس با استفاده از خودرمزنگار انباشته شاخص‌های تاثیرگذار بر جهت بازار شناسایی شده و در نهایت این شاخص‌ها به عنوان ورودی به معماری LSTM داده می‌شود تا جهت بازار پیش‌بینی شود. از نوآوری‌های پژوهش حاضر می‌توان به ارائه چند شاخص تکنیکال جدید به منظور افزایش دقت مدل پیشنهادی و همین‌طور تنظیم پارامترهای الگوریتم‌های به کار رفته از جمله LSTM برای مسئله مورد مطالعه و ارائه استراتژی معاملاتی به جهت دستیابی به سوددهی مناسب شاره نمود. بررسی‌ها نشان می‌دهند که روش پیشنهادی از سایر روش‌ها پیشی می-گیرد و به دقت و بازدهی بالاتری دست می‌یابد. Manuscript profile

این مطالعه با توجه به 22 ویژگی انتخاب شده (که در حین پژوهش بررسی می‌شوند) با روش‌های یادگیری ماشین، نگهداری وجه نقد شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران را پیش‌بینی می‌کند. 201 شرکت از سال 1396 تا سال 1400 بررسی شد. رگرسیون خطی چندگانه ، کی-نزدیک‌ترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم، جنگل تصادفی، الگوریتم تقویت گرادیان شدید و شبکه‌های عصبی چندلایه برای پیش‌بینی استفاده می‌شود. نتایج نشان می‌دهد که روش‌های رگرسیون خطی چندگانه ، کی-نزدیک‌ترین همسایه خطای جذر میانگین مربعات و میانگین قدرمطلق خطا بالا را ارائه می‌دهند. در همین حال، الگوریتم‌های پیچیده‌تر، به خصوص رگرسیون بردار پشتیبان ، دقت بالاتری را به دست می‌آورند؛ یافته‌ها حاکی از آن بوده است که با کاهش به 15 متغیر، روش‌های یادگیری ماشین به خصوص کی-نزدیک‌ترین همسایه نتایج بهتری را ارائه دادند. بر مبنای آزمون مقایسه زوجی نیز رگرسیون بردار پشتیبان عملکرد بهتری از سایر الگوریتم‌های یادگیری ماشین نظارت شده به جز درخت تصمیم دارد. همچنین مهمترین متغیرها نیز اندازه شرکت و مخارج سرمایه‌ای به دست آمد. شاخص عدم قطعیت جهانی و تورم نیز از متغیرهایی با اهمیت نسبتاً بالایی بودند؛ بنابراین، با استفاده از الگوریتم رگرسیون بردار پشتیبان ،‌ ممکن است میزان وجه نقد را به میزان قابل‌توجهی پیش‌بینی کنیم. Manuscript profile

وقوع بحران‌های مالی در دهه‌های اخیر موجب وارد آمدن خسارات بسیار بر اقتصاد و همچنین بنگاه‌های اقتصادی در بسیاری از کشورها گردیده است. رویکرد ارزش فرین نگرشی جدید به پدیده بحران مالی است که توانسته به تحلیل رویدادهایی که احتمال وقوع آن‌ها اندک ولی خسارات ناشی از آن‌ها قابل‌توجه است کمک نماید. در این پژوهش با استفاده از نظریه ارزش فرین و معادلات دیفرانسیل تصادفی به دنبال یافتن روشی نوین برای محاسبه دقیق‌تر ارزش در معرض خطر هستیم. بدین منظور پس از تخمین پارامترهای معادلات دیفرانسیل تصادفی مورد بررسی که شامل حرکت براونی هندسی، حرکت براونی هندسی با جمله جهش، مدل گارچ غیرخطی و مدل هستون است با استفاده از شبیه‌سازی مونت‌کارلو مسیرهای آینده را شبیه‌سازی نموده و با رویکرد فراتر از آستانه به برآورد ارزش در معرض خطر می‌پردازیم. نتایج حاصل از استفاده همزمان از معادلات دیفرانسیل تصادفی و ارزش فرین با رویکردهای شبیه‌سازی تاریخی و واریانس-کوواریانس جهت تخمین ارزش در معرض خطر نیز مقایسه می‌شوند. نتایج تکنیک‌های پس‌آزمون در مورد محاسبه ارزش در معرض خطر، حاکی از برتری مدل هستون است. Manuscript profile