چکیده تجزیه و تحلیل شبکه یکی از روش های مورد توجه تحلیل گران برای تجزیه و تحلیل روابط پیچیده در داده ها به روش شهودی است. یکی از کاربردهای تجزیه و تحلیل شبکه، مصور سازی روابط بین طبقات مختلف دارایی هاست. بازار سهام به عنوان یک سیستم پیچیده ای در نظر گرفته می شود که پویایی پیچیده متعلق به خود را نشان می دهد. شناسایی پویایی های بازار سهام برای بازیگران، سرمایه گذاران و سیاست گذاران مالی مهم است. پیچیدگی بازار سهام می تواند دلایل مختلفی داشته باشد که وابستگی متقابل سهام به یکدیگر می تواند یکی از برجسته ترین این عوامل باشد. یکی از مهم ترین دغدغه های افراد در بازار سرمایه، یافتن روشی جهت ارائه و تحلیل داده های سهام شرکت های مختلف است. شرکت های مختلفی در بورس وجود دارد و همواره مدیران سبد سرمایه گذاری و سرمایه گذاران در انتخاب سبد سهام مناسب، نیاز به بررسی بهترین روش برای تشکیل سبد سهام هستند. در این مقاله در خصوص تشکیل پرتفوی متنوع و غیرمتنوع از طریق تئوری شبکه بحث می شود. برای اجرای این پژوهش، از قیمت پایانی تعدیل‌شده 138 شرکت شاخص بورسی برای دوره 11-10-1395 الی 15-04-1400معادل 1648روز معاملاتی استفاده ‌شده است. برای توصیف تاثیر بین سهام از ماتریس مجاورت استفاده شده و با استفاده از آستانه بهینه، پرتفوی متنوع و غیرمتنوع بدست می آید. نتایج سهام منتخب برای پرتفوی را با استفاده از رویکرد برابری ریسک سلسله مراتبی (HRP) پیاده سازی نموده و نتایج آن ربا سه روش مینیمم واریانس (MVP)[1]، توزیع یکنواخت (UNIF) و برابری ریسک (RP) برای دو دوره زمانی درون نمونه و برون نمونه، برای هر دو پرتفوی متنوع و غیر متنوع مقایسه می شود. در نهایت نتایج با استفاده از چهار معیار سورتینو، شارپ، ماکسیمم DD و کالمر مقایسه شده است. نتایج نشان دهنده برتری رویکرد سبد غیرمتنوع در دوران های نزولی بازار و برتری رویکرد سبد متنوع سازی شده در سایر زمان هاست. [1] Minimum Variance Manuscript profile

هدف این پژوهش ایجاد و معرفی یک شبکه مالی جدید و بررسی معیارهای مرکزیت سهام برای بهینه سازی سبد سهام سرمایه گذاران و همچنین شناسایی رهبران بازار سهام می باشد. در این پژوهش 100 شرکت برتر بورس اوراق بهادار که دارای بیشترین سرمایه ثبت شده اند در بازه زمانی دی ماه 1388 تا دی ماه 1398 انتخاب شدند. شبکه مالی با استفاده از قیمت پایانی تعدیل شده به بازده لگاریتمی تبدیل و ضریب همبستگی پیرسون بازده های سهام محاسبه گردید. از مفاهیم تئوری گراف و الگوریتم پریم برای کشف روابط و فاصله های موجود بین سهام برای ساخت حداقل درخت پویا استفاده گردید. نتایج نشان داد بر اساس معیار مرکزیت درجه، سهام مخابرات ایران و بانک آینده، بر اساس معیار مرکزیت نزدیکی، سهام سرمایه گذاری بهمن، تامین سرمایه امید و بانک گردشگری، بر اساس معیار مرکزیت بینابینی، سهام تامین سرمایه امید، سرمایه گذاری بهمن و بیمه آسیا و بر اساس معیار مرکزیت تنگنا، سهام بیمه آسیا، بانک گردشگری و تامین سرمایه امید بیشترین تاثیر را بر شبکه مالی و بازار سهام دارند. همچنین در نهایت شبکه مالی به 9 خوشه تقسیم شد که هر خوشه نشان دهنده ارتباط قوی تر اجزای آن با یکدیگر می باشد. Manuscript profile

برای درک بهتر بازارهای مالی که یکی از پیچیده‌ترین مفاهیم دنیای امروز هستند می‌توان از تئوری شبکه استفاده کرد. شبکه‌های مالی، به مجموعه‌ای از رأس‌ها و یال‌ها گفته می‌شود. هر رأس بیانگر یک سهم و هر یال مبین رابطه بین سهام می‌باشد. مطالعات ابتدایی در این حوزه با استفاده از ضریب همبستگی به توصیف روابط کوتاه‌مدت بین سهام و مدل‌سازی بازارها پرداخت. این روش مدل‌سازی در مورد داده‌هایی صدق می‌کند که دارای تقارن هستند و فقط وجود یا عدم وجود رابطه بین سهام را مشخص کرده، نوع رابطه، جهت و وزن آن رابطه را تبیین نمی‌کند. در سال‌های اخیر مدل‌سازی سری‌های زمانی مالی با استفاده از مفهوم هم‌جمعی انجام می‌شود. طی پژوهش حاضر نیز، با استفاده از آزمون مانایی سری‌های زمانی، آزمون‌های ریشه واحد دیکی فولر و KPSS و آزمون انگل و گرانجر شبکه مبتنی بر هم‌جمعی طراحی‌شده و به‌منظور تجزیه‌وتحلیل این شبکه از معیارهای مرکزیت همچون: درجه مرکزیت، مرکزیت بینابینی مرکزیت نزدیکی، رتبه‌بندی صفحه و بوناچیچ، استفاده شد. نتایج این پژوهش نشان می‌دهد شبکه‌های مبتنی بر هم‌جمعی می‌توانند گراف کامل‌تری از بازارها ارائه دهند و همچنین تجزیه‌وتحلیل معیارهای مرکزیت می‌توانند نقش مؤثری در انتخاب سبد سهام داشته باشند و الگوی مناسبی جهت درک روابط بین سهام ارائه دهند. Manuscript profile

هدف این پژوهش ایجاد یک شبکه مالی برای شناسایی رهبران بازار سهام با استفاده از معیارهای مرکزیت است.این پژوهش در نهایت یک خوشه بندی از سهام برتر ارائه میدهد که میتواند به عنوان یک سبد سهام بهینه مورد استفاده سرمایه گذاران قرار گیرد.جامعه آماری کلیه بورس اوراق بهادار است که تعداد 100 شرکت که بیشترین سرمایه را دارند،به عنوان نمونه آماری در محدوده زمانی 11 ساله انتخاب شدند.به علت ماهیت رتبه بندی پژوهش،از ضریب همبستگی کندال برای محاسبه همبستگی استفاده شد.از الگوریتم پرایم برای شناسایی روابط و ساخت حداقل درخت پویا و از الگوریتم سریع حریصانه برای خوشه بندی سهام استفاده شد. نتایج نشان میدهد از لحاظ معیار مرکزیت درجه، سهام شرکت های سیمان سپاهان، مدیریت سرمایه گذاری امید و سرمایه گذاری بانک ملی،از بعد معیار مرکزیت نزدیکی، سهام شرکت های سیمان سپاهان،بین المللی توسعه ساختمان و فولاد خوزستان،از منظر معیار مرکزیت بینابینی، سهام شرکت های سیمان سپاهان،سرمایه گذاری غدیر و سرمایه گذاری بانک ملی و در نهایت از جهت معیار مرکزیت تنگنا،سهام شرکت های سیمان سپاهان،فولاد خوزستان و بین المللی توسعه ساختمان بیشترین تاثیر را بر شبکه سهام دارند.همچنین سهام برتر در 11 خوشه دسته بندی شدند که هر خوشه نشان دهنده ارتباط قوی اجزای آن با یکدیگر است. Manuscript profile

هر مجموعه از ضرایب موجک بخشی از سری زمانی را در مقیاس های زمانی متفاوت در بر دارد. پیاده سازی تبدیل موجک، با بهره گیری از بهترین موجک ها در سطوح مناسب تاثیر بسزایی در نتایج تحلیل های مالی خواهد داشت. در این پژوهش هدف، بیان اهمیت مفهوم مقیاس-زمان و به کارگیری فواصل زمانی متفاوت در بررسی رفتار بازارهای مالی است تا مشخص شود که آیا حذف نوفه از سری زمانی می تواند دقت تصمیم گیری ما برای آینده را بالا ببرد؟ بدین منظور ابتدا 16 شاخص انتخاب شده از بورس اوراق بهادار تهران به کمک نرم افزار R و با استفاده از تبدل موجک تا پنج سطح برای 250 داده تجزیه کرده وسپس از تمامی آن ها نوفه زدایی نمودیم. در مرحله بعد دو روش برای سنجش نوفه زدایی بکار بردیم یکی خوشه بندی شاخص های منتخب به روش دندروگرام و دیگری پیش بینی سری زمانی شاخص کل با500 داده وبا استفاده از داده های نوفه زدایی شده به دو روش موجک هار و دابشیز. نتایج هر دو روش حکایت از عملکرد بهتر نوفه زدایی با استفاده از موجک دابشیز در این سری های زمانی داشت. هدف اصلی ما به نوعی استفاده از آنالیز موجک و نوفه زدایی از سری های زمانی با استفاده از آن در مباحث مالی بود. Manuscript profile

میزان اطلاعاتی که ما بازیابی و استفاده می‌کنیم، به سرعت افزایش یافته است. داده کاوی فرایند استخراج داده-های مربوط از حجم زیادی از داده‌ها و روش کشف و پیدا کردن الگوی مناسب از حجم زیادی از مجموعه داده‌ها است. خوشه‌بندی یکی از روش‌های معمول تجزیه‌وتحلیل داده‌های آماری و همچنین یکی از بهترین رویکردهای داده‌کاوی است. این رویکرد به‌عنوان یکی از روش‌های یادگیری بدون نظارت، با به‌کارگیری الگوریتم‌هایی، داده‌های سری‌های زمانی را برحسب معیارهای متفاوتی طبقه‌بندی می‌کند. هدف از پژوهش حاضر بررسی انواع کاربردهای خوشه‌بندی و شبکه‌سازی در حوزه‌های مختلف مالی ازجمله ریسک، معاملات الگوریتمی، بانکداری و دیگر موضوعات پرکاربرد در این حوزه است. در این پژوهش با استفاده از پکیج bibliometrix به‌مرور کلیه پژوهش‌های انجام شده در خصوص خوشه بندی پرداخته می‌شود. ضمن استخراج انواع معیارها و رویکردهای خوشه‌بندی به بررسی کاربردهای آن پرداخته‌شده است. این پژوهش با مروری جامع بر کلیه پژوهش‌های این حوزه می‌تواند به‌عنوان جعبه‌ابزاری در جهت ارائه انواع روش‌های خوشه‌بندی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه‌بندی و تحلیل داده‌های مالی یاری دهد. Manuscript profile