محسن سرداری زارچی

هدف: شناخت رفتار بازار سرمایه و سوی گیری های آن ها، پیش زمینه ای برای تحلیل رفتار بازده در زمان وقوع رخدادهای حاکم بر جامعه است. مسائل سیاسی، اقتصادی و اجتماعی روز دنیا، به راحتی می توانند پارامترهای چرخه اقتصاد را تحت تأثیر قرار دهند. بازار سهام نیز به عنوان بخش مهمی از اقتصاد، از این امر مستثنا نخواهد بود. دقت زیاد پیش بینی و شناخت نوسان ها، اطمینان سرمایه گذار را افزایش می دهد و به تصمیم گیری های صحیح و به موقع برای مدیریت دارایی منجر خواهد شد. شناخت کارآمدترین ابزار برای پیش بینی بازده نیز، لازمه تحلیل رفتار این بازار است. هدف پژوهش حاضر، خوشه بندی شرکت های موجود در بازار بورس، برحسب میزان تأثیرپذیری آن ها از پیشامدهای دوره تحریم با استفاده از روش برتر هوش مصنوعی برای پیش بینی است. روش: داده های بازده هفتگی ۲۰۰ شرکت فعال در بازار سهام ایران، اطلاعات مربوط به متغیرهای نوع صنعت، اندازه، نقدینگی و سودآوری شرکت های منتخب در بازه زمانی ۱۳۹۵ تا ۱۳۹۹ به همراه پیشامدهای سیاسی و اقتصادی و اجتماعی برگزیده، در این پژوهش استفاده شده است. در مرحله نخست، چهار مدل LSTM ، DQN ، RF و مدل SVR، به عنوان مدل های برتر یادگیری عمیق و یادگیری ماشین، مقایسه شده است و در ادامه، پیش بینی بازده سهام براساس مدل برتر صورت می پذیرد. در گام دوم، روی سناریوهای حاصل از تأثیرپذیری تغییرات بازده نسبت به هر یک از ورودی های نوع صنعت، اندازه، نقدینگی و سودآوری شرکت ها تحلیل حساسیت انجام می شود و در آخر نیز، به منظور تحلیل دستاوردها، به خوشه بندی نتایج در سه دسته پیشامدهای اقتصادی، سیاسی اقتصادی و اقتصادی اجتماعی با استفاده از روش خوشه بندی تفکیکی پرداخته شده است. یافته ها: پس از مقایسه مدل های یادگیری عمیق (LSTM، DQN) و یادگیری ماشین (SVR، RF)، مشخص شد که برای پیش بینی بازده سهام، مدل LSTM (حافظه کوتاه مدت طولانی)، نسبت به سایر مدل ها برتر است. نتایج حاصل از خوشه بندی نیز، طیف وسیعی از تحلیل ها را بسته به نیاز، در اختیار سرمایه گذاران قرار می دهد که می تواند هنگام مواجهه با رخدادها، مبنایی برای تحلیل روند بازده قرار گیرد؛ اما به طور کل می توان گفت که پیشامدهای سیاسی روی بازده سهام شرکت ها بیشترین تأثیر را می گذارند. پس از آن، پیشامدهای اقتصادی و در آخر پیشامدهای اجتماعی، روی بازده سهام شرکت ها کمترین تأثیر را دارند. در راستای ارزیابی معیارها نیز، به ترتیب معیار اندازه شرکت، نوع صنعت، نقدینگی و در نهایت سودآوری، در آخرین جایگاه رتبه بندی عوامل مؤثر در نوسان ها قرار گرفتند. نتیجه گیری: بازار سهام ایران تحت تأثیر اخبار سیاسی، اقتصادی و اجتماعی و همچنین اقدامات و بیانیه های دولتی قرار دارد؛ اما بسته به نوع خبر، میزان تأثیرپذیری آن ها متفاوت خواهد بود. تأثیر پیشامدها بر بازده سهام، به صورت مستقیم است و صدق این عبارت که طی وقوع پیشامدهای سیاسی، اقتصادی و اجتماعی، بازده شرکت های بورسی بسته به نوع صنعت، اندازه، نقدینگی و سودآوری شرکت ها دچار نوسان می شوند، به تأیید می رسد. در این میان، پیشامدهای سیاسی بیشترین تأثیر را بر بازده سهام شرکت ها دارند و باید در کانون توجه فعالان بازار سرمایه قرار گیرند.  

بهبود بازدهی سرمایه انسانی از آنجا که می تواند نقش موثری در کارایی سازمان داشته باشد، همواره یکی از موضوعات پژوهش بوده است . میزان تمایل به ترک سازمان یکی از عوامل تأثیرگذار بر کارایی سرمایه انسانی است که آن را می توان با استفاده از الگوهای درون داده ای، شرایط حاکم بر سازمان و بررسی عوامل مؤثر بر آن پیش بینی کرد. به همین منظور، از الگوریتم های هوشمند مبتنی بر شبکه عصبی و الگوریتم ژنتیک چندهدفه برای پیش بینی تمایل کارکنان به ترک سازمان در این پژوهش بهره گرفته شده است. در این راستا، ابتدا با طراحی پرسشنامه ای، نظرات کارکنان شرکت بهره برداری نفت و گاز کارون در مورد رضایت مندی و تمایل به ترک سازمان، جمع آوری شد و بر اساس آن، یک مجموعه داده تدوین گردید. سپس با استفاده از شبکه های عصبی مصنوعی به عنوان طبقه بند و الگوریتم تکاملی ژنتیک چندهدفه برای انتخاب ویژگی های مؤثر، یک سیستم خبره طراحی شد. به منظور تست و ارزیابی الگوریتم شبکه عصبی طراحی شده با مجموعه داده استاندارد ایجادشده، آموزش های لازم ارائه شد . نتایج ارزیابی سیستم پیشنهادی بیانگر آن است که با به کارگیری الگوریتم ژنتیک چندهدفه و شبکه های عصبی مصنوعی می توان مدلی ارائه کرد تا علاوه بر پیش بینی میزان تمایل کارکنان به ترک سازمان با دقت بالای 88%، با انتخاب ویژگی های مؤثر، عوامل کلیدی ترک سازمان را نیز مشخص کند

خواب آلودگی راننده یکی از عوامل اصلی تصادفات و تلفات جانی در جاده ها می باشد به همین علت اخیراً تحقیقات زیادی بر روی این موضوع در راستای افزایش ایمنی خودروها انجام شده است. در این مقاله، ابتدا خواب آلودگی راننده و عوامل ایجاد آن بررسی شده و مهم ترین عواملی که در ایجاد آن نقش دارند، بیان می شود. سپس بررسی جامع و کاملی برروی روش های هوشمند و هوشمند تشخیص خواب آلودگی انجام می گیرد. روش های تشخیص خواب آلودگی را می توان به سه گروه عمده مبتنی بر علائم فیزیولوژی، مبتنی بر عملکرد راننده و خودرو، و مبتنی بر وضعیت و ظاهر راننده تقسیم نمود. در ادامه از هر گروه، روش های شاخص و مطرح بیان شده، تاریخچه و ویژگی ها و نقاط ضعف و قوت هر یک بازگو می گردد. در پایان در قسمت نتیجه گیری، ویژگی های روش هایی که برای پیاده سازی در خودرو مناسب اند مطرح گردیده و راهکاری کلی برای تشخیص خواب آلودگی که قابلیت پیاده سازی عملی در خودرو را داشته باشد ارائه می گردد.

Ensuring energy security is a major concern of policymakers and economic planners. This objective could be achieved by managing the energy supply and its demand. The latter has received less attention, especially in developing countries. Neglect of energy consumption and its accurate forecasting leads to potential outages and also unsustainable development. Nonlinear methods that are consistent with the nature of energy consumption have led to better results. Therefore, in the present study, both aspects of sustainable development in the determinants of energy demand and the nonlinear hybrid method have been used. We introduced a model based on sustainable development indicators to forecast energy consumption in Iran in which the relevant indicators are specified by the determination phase. To forecast energy consumption, we provided a new standard dataset for energy consumption in Iran (IREC) based on the data extracted from the World Bank and Ministry of Energy dataset in Iran. The highlight of this research is that it provided the most efficient features from the dataset using the genetic algorithm and five forecasting approaches based on machine learning methods. The algorithm was able to select 14 features as the most effective indicators in predicting energy consumption from all the 104 ones in the IREC with 500 repetitions. The empirical results indicated that the model can provide important indicators for energy consumption forecasting. The experiment result of the model using the GA-Based feature selection indicates that the hybrid model has had better results and GA-SVM and GA-MLP have the best result respectively.