فیلترهای جستجو:
فیلتری انتخاب نشده است.
نمایش ۴۶۱ تا ۴۸۰ مورد از کل ۸۰۳ مورد.
مقایسه عملکرد مدل های مختلف در خصوص پیش بینی نوسان بازده بورس اوراق بهادار تهران و تحلیل تاثیر برخی عوامل بر رفتار نوسان بازده(مقاله علمی وزارت علوم)
حوزههای تخصصی:
در این پژوهش، عملکرد پیش بینی مدل های نوسان شرطی و غیرشرطی (11 مدل) در خصوص پیش بینی نوسان شاخص نقدی و قیمت بورس تهران را بر اساس معیارهای ارزیابی(متوسط قدرمطلق خطا) ، میانگین مربعات خطا و تایل مورد بررسی قرارداده ایم. افزون بر این، تاثیر عواملی نظیر دامنه مجاز و نحوه محاسبه نوسان بر رفتار آن را نیز مورد تجزیه و تحلیل قرار داده ایم. نتایج نشان می دهد عملکرد مدل میانگین متحرک 250 روزه، هموارسازی نمایی و CGARCH طبق معیارهای RMSE و Theil از مدل های دیگر بهتر است. از سوی دیگر، طبق مدل های نوسان شرطی(به استثنای مدل PARCH) تغییر دامنه مجاز نوسان بر روی نوسان تاثیرگذار بوده، در حالی که مدل میانگین متحرک خودرگرسیو (ARMA) خلاف آن را نشان می دهد. مطالعه رفتار نوسان به صورت روزانه و ماهانه نیز نشان می دهد که نوسان در این دو حالت رفتار متفاوتی از خود نشان می دهد.
شبیه سازی بازار سهام با توجه به ویژگیهای ساختاری بازار سهام تهران(مقاله علمی وزارت علوم)
حوزههای تخصصی:
شبیه سازی طی دو دهه اخیر با رشدی شتابان در علوم اجتماعی و اقتصاد مورد استفاده قرار گرفته است. روش شبیه سازی بازیگر مدار امکان ایجاد فضای مصنوعی برای تقابل و تعامل تعداد زیادی از بازیگران در محیط رایانه را فراهم می آورد. بر همین اساس با توجه به مدل های موجود در ادبیات این حوزه و ویژگیهای جدید، بازار سهام تهران شبیه سازی شده است. آزمونهای اولیه نشان می دهد که این مدل به خوبی توانسته است مشخصات آماری موجود در سری زمانی قیمتها و بازدهیهای بازارهای بین المللی و بازار سهام تهران را باز تولید نماید.
آشنایی با هیات تدوین استانداردهای حسابداری مالی FASB
حوزههای تخصصی:
پیش بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA(مقاله علمی وزارت علوم)
حوزههای تخصصی:
در این مقاله با استفاده از دادههای روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 6/1/1382 تا 14/4/1386، به بررسی ویژگی حافظه بلند این شاخص پرداخته و مدل ARFIMA را بر آن برازش میدهیم. همچنین عملکرد پیشبینی مدل ARFIMA را با مدل ARIMA مقایسه میکنیم. نتایج نشان میدهند که اولاٌ این سری زمانی از نوع حافظه بلند است، بنابراین میتوان با تفاضلگیری کسری آن را مانا کرد. پارامتر تفاضلگیری بهدست آمد. پس از تفاضلگیری کسری و تعیین تعداد وقفههای اجزای خودبازگشت و میاانگین متحرک مدل، شکل کلی بهصورت ، مشخص میشود. پارامترهای این مدل برای 900 داده درون نمونهای برآورد شده است و از آنها برای پیشبینی 70 داده خارج از نمونه استفاده میشود. مقایسه عملکرد پیشبینی مدل ARFIMA با مدل ARIMA، نشان میدهد که مدل ARFIMA از قدرت پیشبینیکنندگی بالاتری برخوردار است.
فارکس ، فرصت ها و تهدیدها
حوزههای تخصصی:
افشای اطلاعات ، چالش پیش روی مدیران مالی
حوزههای تخصصی:
آژانس ناظر بر بازار سرمایه و نهادهای مالی اندونزی
حوزههای تخصصی:
هووی بورس تهران
حوزههای تخصصی:
پیش بینی در بازارهای مالی و معرفی NeuroSolutions
حوزههای تخصصی:
انتشار بیش تر اطلاعات و حرکت به سوی کارایی در بازار سرمایه ایران
حوزههای تخصصی: