جستجوی مقالات مرتبط با کلیدواژه « قابلیت پیش بینی » در نشریات گروه « اقتصاد »
تکرار جستجوی کلیدواژه «قابلیت پیش بینی» در نشریات گروه «علوم انسانی»-
پیش بینی متغیرها یکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می باشد. به لحاظ روش شناسی، مطالعات خارجی انجام شده، در خصوص پیش بینی تولید از الگوهای داده- ستانده تقاضامحور لئونتیف (LDM)[1] و عرضه محور گش (GSM)[2] استفاده می گردد. در زمینه پیش بینی تولید بخش های اقتصادی، توجه به ماهیت بخش ها از منظر بلوغ یافته[3] و کمتر بلوغ یافته[4] حائز اهمیت است. در این مقاله، پیش بینی تولید برای دو دوره زمانی محاسبه شده است. اول، پیش بینی تولید سال 1378 بر مبنای ساختار تولید سال 1367، که نمایانگر دوره پایان جنگ و شروع بازسازی در اقتصاد است و دوم،پیش بینی تولید سال 1383 بر مبنای ساختار تولید سال 1378، که دوره بعد از بازسازی در اقتصاد را متصور است. در ادامه، بر مبنای دو دوره زمانی مطرح شده، خطای پیش بینی تولید کل و بخش های اقتصادی بویژه بخش های بلوغ یافته در الگوهای داده- ستانده با به کارگیری معیار میانگین قدرمطلق انحراف (MAD)[5] مورد سنجش قرار گرفته است. یافته های مقاله حاکی از آن است که نخست، بر مبنای دو دوره زمانی مطرح شده، الگوی لئونتیف خطای پیش بینی کمتری را برای تولید کل ارائه می کند و از قابلیت پیش بینی بهتری نسبت به الگوی گش برخوردار است. دوم آنکه، در دوره پایان جنگ و شروع بازسازی، از بین بخش های کشاورزی، ساختمان و معدن، الگوی گش فقط برای بخش معدن، خطای پیش بینی کمتری را نسبت به الگوی لئونتیف ارائه دارد؛ لذا در ایران تنها بخش معدن، بخش بلوغ یافته است و بخش های کشاورزی و ساختمان، بخش های کمتر بلوغ یافته تلقی می شوند.کلید واژگان: جدول داده, ستانده, الگوی تقاضامحور لئونتیف, الگوی عرضه محور گش, قابلیت پیش بینی, بخش بلوغ یافته, رشد عمقی}Prediction of variables is one of the main tasks of different sciences including economics. According to the existing literature, the Leontief demand-side model (LDM) and Ghosh supply-side model (GSM) are used to predict sectoral output. The prerequisite for predicting sectoral output is to identify the mature and immature sectors. In this paper, we predict sectoral output for two periods: First, we predict output in 1999 based on the output structure in 1988, as the endpoint of war and beginning of the reconstruction of economy. Then, we predict output in 2004 based on the output structure in 1999, as the initial point of post-reconstruction of the economy. For two periods mentioned, LDM provides low error in predicting aggregate output and is of more predictability than GSM. In addition, for the second period. i.e., post-war and construction period, GSM compared to LDM only provides low error in predicting output in mining sector among agriculture, construction and mining sectors. Therefore, mining sector appears as mature sector, and agriculture and construction sectors are considered as less-matured sectors.Keywords: Traditional Input-Output Table, Symmetric Input-Output Table, Leontief demand-side model, Ghosh supply-side model, Predictability, Intensive growth, Extensive growth, mature sector}
-
این مقاله به بررسی رابطه پویای بازارهای مالی، پایداری، قابلیت پیش بینی و میزان ماندگاری نوسانات شوک ها در بازارهای سهام کشورهای ایران، عربستان، امارات، قطر، بحرین و عمان پرداخته است. در این تحقیق با به کارگیری داده های ماهیانه برای دوره زمانی 20 ساله 1990 تا 2010 از مدل های خودهمبسته واریانس ناهمسانی شرطی تعمیم یافته (GARCH) و مدل های سری زمانی خودهمبسته میانگین متحرک (ARMA) استفاده شده است. نتایج نشان می دهد بازار سهام ایران قابلیت پیش بینی چندانی ندارد. اکثر بازارها نوسانات خوشه ایاست و تقریبا در هیچ یک از بازارها به جز عمان نوسانات انفجاری وجود ندارد. همچنین در کشورهای بحرین و عمان در سطح 5% و در ایران در سطح 1% میزان بازدهی داری پایداری نمی باشد. با وجودی که بازارهای این کشورها ظرفیت های بالایی برای کسب بازدهی سرمایه گذاری هستند اما نتایج این مقاله نشان دهنده پائین بودن میزان ارتباط این بازارها بوده است. همچنین نتایج نشان می دهد هیچ بازار انفرادی توانایی رهبری این مجموعه بازارها را ندارد.
کلید واژگان: پایداری, قابلیت پیش بینی, نوسانات, بازارهای در حال ظهور}This paper examines the dynamic relationship of stock markets, stability, predictability, volatility, and persistence of shocks volatility of stock markets in Iran, Saudi Arabia, United Arabic Emirates, Qatar, Bahrain and Oman. In this paper, Generalized Autoregressive Conditional Heteroskedasticity model (GARCH) and Autoregressive Moving Average model (ARMA) are implemented by using monthly data during 1990-2010. The results indicate that stock market doesn’t have notable predictability in Iran and there is Cluster volatility for return of stock in most markets and almost, in none of these markets except Oman, explosive volatilities are observed. It is also indicated that the return for markets of Bahrain and Oman doesn’t have stability in significant level of 5 percent and for Iran it doesn’t have stability and durability in significant level of 1 percent. In addition, although the markets of these countries have high capacities for return of investment, but, in particular, the findings show a low correlation between these markets. Also, the results for the period in question explain that none of these markets has the ability of leadership among others.Keywords: Risk Premium, Stability, Predictability, Volatility, Emerging Stock Markets} -
در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روش های پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روش های پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روش های پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساسا از روش های غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.
کلید واژگان: پیش بینی, شبکه های عصبی, رگرسیون چند متغیره, تخمین, مدلسازی, سری زمانی, قابلیت پیش بینی, تحلیل های غیر خطی سری های زمانی, فرآیند های تصادفی, فرآیند های آشوب, بعد فرکتالی, شبکه های عصبی}Forecasting Methods Evaluation of Stock Prices and Proposing a Nonlinear Model using Neural NetworksIn this paper, we deal with several time series of share prices and daily returns of different companies which are members of Tehran Stock Exchange. Three prediction methods are used for time series forecasting. The first method is based on the linear models (ARIMA) for short-term and long-term forecasting. The second method is based on the nonlinear neural networks model and the third method is a neural networks model with a special structure. It has been shown that the time series generator process of these companies are complex nonlinear mappings and the methods based on the various linear modelling strategies are unable to identify these dynamics. Also, it has been shown by using the conventional structure of the nonlinear neural networks that one can not obtain a satisfactory result for long term forecasting. Finally, it is shown that the proposed structrure provides accurate next step and the long term share prices and daily returns forecasting.Keywords: Linear models, Time series forecasting, Modeling, Forecastability, Nonlinear time series analysis, Chaotic processes, Artificial neural networks}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.