Improving return forecasting is very important for both investors and researchers in financial markets. In this study we try to aim this object by two new methods. First, instead of using traditional variable, gold prices have been used as predictor and compare the results with Goyal's variables. Second, unlike previous researches new machine learning algorithm called Deep learning (DP) has been used to improve return forecasting and then compare the results with historical average methods as bench mark model and use Diebold and Mariano’s and West’s statistic (DMW) for statistical evaluation. Results indicate that the applied DP model has higher accuracy compared to historical average model. It also indicates that out of sample prediction improvement does not always depend on high input variables numbers. On the other hand when using gold price as input variables, it is possible to improve this forecasting capability. Result also indicate that gold price has better accuracy than Goyal's variable to predicting out of sample return. پرونده مقاله

چکیده توانایی پیش بینی قیمت در بازار های سرمایه همواره دارای موافقان و مخالفانی در طیف های گسترده بوده است. اما شواهد تجربی گویای آن است که قیمت در بازار های مالی تاحدی قابل پیش بینی است اما دستیابی به یک پیش بینی مناسب نیازمند آگاهی از الگوهای غیر خطی و توانایی پیش بینی حافظه بازار است. پژوهش حاضر پژوهشی کاربردی است که هدف از انجام آن مدلسازی و پیش بینی پیش بینی قیمت سهام در بازار سرمایه با استفاده از الگوریتم های غیر خطی است. برای دستیابی به این هدف از داده های شاخص کل قیمت سهام در دوره زمانی 1395 تا 1400 و بصورت ماهانه استفاده شده است. داده‌ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده‌اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیان گر آن است که الگوریتم مورچگان با به حداقل رساندن خطای پیش بینی توانایی بسیار خوبی برای مدلسازی و پیش بینی قیمت در بازار سرمایه دارد همچنین این الگوریتم در بازه شش ماهه در مقایسه با الگوریتم ژنتیک سرعت بیشتری در دستیابی به قیمت بهینه دارد. پرونده مقاله

در این پژوهش با استفاده از دو مدل اقتصاد پایه و اقتصاد منطقه ای تغییر مکان سهم (LQ) و با بکار گیری آمار سرشماری نفوس و مسکن سالهای 1390 و 1395 به بررسی علل رشد متناسب یا نامتناسب شاغلان استان کرمانشاه نسبت به کل کشور و تعیین بخش های پایه اقتصادی در استان کرمانشاه و تعیین سهم اشتغال بخش تعاون در بخش های پایه ای استان پرداخته شده است.نتایج حاصل بیانگر رشد نامتناسب شاغلان استان کرمانشاه نسبت به شاغلان کشور در دوره مورد بررسی بوده و مدل تحلیل تغییرسهم علل این عدم تناسب را تغییرات رقابتی و ساختاری منفی بیان می کند. برآور مدل اقتصاد پایه نیز بخش های کشاورزی و خدمات و زیر بخش ساختمان را به عنوان بخش های پایه ای مشخص می کند. که سهم بخش تعاون در راستای اشتغالزایی در استان در راستای توسعه بخش های کشاورزی و خدمات بوده اما ظرفیت های خالی زیادی در این بخش وجود دارد. تغییرات ضرایبLQ در طول زمان حاکی از رشد سریع و نامتوازن بخش خدمات استان بوده و گویای کاهش مزیت بخش صنعت و افزایش مزیت بخش کشاورزی در جذب شاغلان است. این تغییرات بدلیل فقدان فعالیت های اشتغالزای مولد اقتصادی در استان ایجاد شده که موجب رشد بی رویه بخش خدمات در استان کرمانشاه شده است. این در حالی است که پتانسیل های بسیاری در زمینه ایجاد اشتغال در بخش خدمات در بخش تعاون خصوصا در صنعت گردشگری وجود دارد. پرونده مقاله

شناخت عوامل موثر بر تعیین پورتفوی بهینه از مسائل فراروی همه سرمایه گذاران در بازار سرمایه است. پژوهش حاضر پژوهشی کاربردی است که هدف از انجام آن تبیین الگوی بهینه قیمت گذاری پرتفوی در بورس اوراق بهادار تهران است. برای این منظور سه الگوی قیمت گذاری R-CAPM ، الگوی فاما و فرنچ و الگوی کرهات با استفاده از دو روش پرتفوی نمایشگر و روش داده های تابلویی در دوره زمانی سال های 0931 تا 0933 با حجم نمونه 071 شرکت فعال در بورس اوراق بهادار تهران با استفاده از روش فیلترینگ مورد آزمون قرار گرفتند. برای انجام این پژوهش داده ها به دو گروه تقسیم شدند. داده های گروه اول برای تشکیل پرتفوی ها و تخمین مدل ها مورد استفاده قرار گرفتند و داده های دسته دوم برای انتخاب الگوی بهینه در داخل پرتفوی ها کنار گذاشته شدند. به منظور انتخاب الگوی بهینه از معیارهای MAD, MSE, RMSE, MAPE استفاده شده است. نتایج گویای آن است که پرتفوی های حاوی شرکت های بزرگ بازده کمتری نسبت به پرتفوی های دارای شرکت های کوچک دارند . عامل مومنتوم در پرتفوی های حاوی شرکت های برنده اثر مثبتی بر بازده داشته و در پرتفوی های حاوی شرکت های بازنده اثر منفی بر بازده دارد و در نهایت می توان گفت که در پرتفوی های ایجاد شده توان توضیح دهندگی الگوی کرهات نسبت به الگوی R-CAPM و الگوی فاما و فرنچ در دوره زمانی مورد مطالعه در بیان رابطه بین ریسک و بازده در بورس اوراق بهادار تهران بهتر است. پرونده مقاله

چکیده عدم وجود قطعیت در روند حرکت بازار سهام پیش بینی آنرا به یک کار پرچالش در حوزه‌ی پیش‌بینی سری‌های زمانی مالی تبدیل کرده است. از سوی دیگر تحلیل داده‌های سری زمانی قیمت های سهام به علت غیر‌خطی بودن و وجود نویز زیاد آسان نیست. از اینرو هدف این پژوهش پیش بینی روند بلند‌مدت و کوتاه‌مدت بازار سرمایه است. برای دستیابی به این هدف از الگوریتم های هوش مصنوعی ذرات و ژنتیک بصورت مقایسه‌ای استفاده شده است. متغیر مورد مطالعه شاخص کل قیمت سهام در بورس اوراق بهادار تهران در دوره زمانی 1395 تا 1400 و بصورت ماهانه می‌باشد. داده‌ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده‌اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته‌های حاصله بیانگر آن است که الگوریتم ژنتیک با به حداقل رساندن خطای پیش بینی یک الگوریتم مناسب برای پیش بینی روند کوتاه مدت و بلند مدت شاخص کل قیمت نسبت به الگوریتم ذرات در دوره زمانی مورد مطالعه است. پرونده مقاله