اختیار معامله آمریکایی روشی جهت مدیریت ریسک در بورس کالا می باشد.این روش دارای قابلیت اعمال قبل از سر رسید را دارد. ارزش گذاری اختیار معامله آمریکایی در روش تفاضلات متناهی نسبت به روش های دیگر از پیچیدگی کمتری برخوردار بوده و زمان محاسبه‌ی آن به نسبت کم می‌باشد و همچنین با افزایش نمونه و افزایش نوسان، پارامترها دچار اختلال نمی شوند. در این پژوهش با استفاده از روش مذکور اختیار معامله آمریکایی برای دو محصول گندم و کنجاله کلزا با توجه با داده های بورس کالای ایران انجام شده و مشخص شده: الف) ارزش اختیار معامله آمریکایی برای گندم و کنجاله کلزا ازروش درخت دو جمله ای و روش تفاضلات متناهی که با استفاده از الگوریتم ارائه شده در پژوهش و کدنویسی در نرم افزار متلب محاسبه شده تفاوت بسیار کوچک و قابل اغماضی دارند. ب) ارزش اختیار معامله آمریکایی برای گندم بیشتر از کنجاله سویا برای هر دو اختیار خرید و فروش بیشتر است. مهمتین دلیل این موضوع به زیاد بودن نوسان پذیری (σ) قیمت پایه سهام گندم نسبت به کنجاله کلزا است. ج) برآیند اثر تغییر نوسان و تغییر قیمت بر ارزش اختیار معامله، به نفع تغییر نوسان تمام می شود. این موضوع نشان دهنده مهم بودن پارامتر نوسان در ارزش گذاری اختیار معامله می باشد. در نهایت پیشنهاد می‌شود با توجه به اینکه اختیار معامله آمریکایی قابلیت اعمال قبل از سررسید را دارد در بورس کالای ایران برای کالاهای کشاورزی به عنوان یکی از ابزارهای مدیریت ریسک ارائه شود. پرونده مقاله

پیش‌بینی قیمت سهام موضوعی مهم در هر دو دیدگاه نظری و کاربردی است. هدف محققان، توسعه روش‌های پیش‌بینی به منظور پیش‌بینی دقیق‌تر است. سرمایه‌گذاران سعی در یافتن بهترین برنامه سرمایه‌گذاری دارند که این امر نیازمند پیش‌بینی آینده بازار می‌باشد. هدف این مقاله مقایسه روش‌های شبکه عصبی مصنوعی (ANN)، شبکه عصبی پویا (NARX) و مدل خاکستری (GM) برای پیش‌بینی قیمت سهام می‌باشد. داده‌های سری‌زمانی به صورت روزانه مربوط به شرکت‌های بیمه‌ای عضو بازار بورس تهران می‌باشد که در بازه زمانی 15/7/1388 لغایت 17/7/1396 که در بازار بورس فعالیت داشته‌اند‌. متغیرهای میانگین متحرک ساده پنج روزه (MA-5)، میانگین متحرک ساده بیست روزه (MA-20)، میانگین متحرک همگرا واگرا (MACD)، قیمت طلا، قیمت نفت و نرخ ارز به عنوان متغیرهای مستقل در نظر گرفته شده‌اند. با توجه به متغیرهای مساله، از سه مدل خاکستری GM(1,4), GM(1,1) و GM(1,7) جهت پیش‌بینی استفاده شده است. نتایج نشان می‌دهد روش‌های شبکه عصبی مصنوعی و شبکه عصبی پویا دارای کارایی یکسان می-باشند در حالیکه مدل‌های خاکستری کارایی پایین‌تری دارند. شبیه‌سازی‌های عددی نشان می‌دهد که روش‌های شبکه عصبی مصنوعی و شبکه عصبی پویا با میانگین خطا RSME=0.2 پیش‌بینی قابل قبولی ارایه می‌کنند. پرونده مقاله