تقسیم بندی شاخص‌ها: شاخصهای کمی در برابر شاخصهای کیفی
این درس و چند درس آتی به تعریف و طبقه بندی شاخص‌ها اختصاص یافته است.
اما قبل از اینکه بخواهیم وارد بحث طبقهبندی شاخص‌ها شویم، لازم است بر یک نکته‌ی مهم تأکید کنیم:
اگر چه کلیات بحث‌ِ شاخص‌ها و کنترل به کمک شاخص‌ها، همیشه و همه جا یکسان است، اما نام‌گذاری‌ها و طبقه‌بندی‌ها عموماً قراردادی هستند و از منبعی به منبع دیگر تغییر می‌کنند.
این تفاوت‌ها در حدی است که گاهی، حتی در تعریف و طبقه بندی شاخص‌ها در میان نهادهای بزرگ بین‌المللی (مانند سازمان ملل و صندوق بین المللی پول و نهادهای مشابه) هم تفاوت‌ها و اختلاف‌نظر‌هایی مشاهده می‌شود.
ما در متمم می‌کوشیم طبقه‌بندی‌هایی را مد نظر قرار دهیم که به سایر درس‌های ما (خصوصاً درس‌های مدیریتی دوره MBA متمم) کمک کنند و به زبان مشترکی برای بحث و گفتگو میان دوستان متممی تبدیل شوند.
تفاوت مفهوم کمّی و کیفی در شاخص‌ها با سایر بحث‌های مدیریتی
دو اصطلاح کمّی (Quantitative) و کیفی (Qualitative) در فضای مدیریت و علوم انسانی، بسیار رایج هستند.
با این حال، گاهی معنا و مفهوم آنها در فضاهای مختلف، متفاوت است.
فرض کنید در جلسه‌ی مدیران یک شرکت، چنین بحثی مطرح می‌شود:
خوشبختانه ما بهبود خوبی در حوزه‌ی تأمین رضایت نیروی انسانی داشته‌ایم.
مشتریان هم بیش از گذشته از ما راضی بودند. تنها مشکل جدی فعلی، نقدینگی سازمان است که باید آن هم به نحو مقتضی مدیریت شود. در غیر این صورت روند بهبود فعلی، پایدار نخواهد بود.
معمولاً در توصیف چنین سخنرانی‌ها و موضع‌گیری‌هایی می‌گویند که: «سخنرانی و ادعاهای مطرح شده در آن، بسیار کیفی بود و هیچ نوع عدد و رقم و شواهد عینی مشخص ارائه نشد.»
به عبارت دیگر در ادبیات عمومی مدیریت، کیفی بودن به نوعی به معنای غیرعددی بودن به کار می‌رود.
در حالی که ما در بحث شاخص‌ها، همواره همه چیز را به صورت عددی بررسی می‌کنیم و اصلاً اگر پارامتری به صورت عددی قابل سنجش نباشد، نمی‌توانیم آن را به عنوان شاخص کنترل سیستم در نظر بگیریم.
بنابراین، شاخصهای کمی و شاخصهای کیفی هر دو شاخصهای عددی هستند و تفاوت آنها از جنس دیگری است.
تعریف شاخص های کمی (Quantitative Indicators)
دسترسی کامل به مجموعه درس‌های سیستم های کنترل مدیریت و شاخصهای مدیریتی برای اعضای ویژه متمم در نظر گرفته شده است.
بررسی تأثیر مدیریت چرای دام بر ترکیب و شاخصهای مکانی تنوع گونه‌ای (مطالعه موردی: مراتع شهرستان بروجن، چهارمحال و بختیاری)
مدیریت چرای دام یکی از نمودهای اصلی مدیریت جامع حوزه‌های آبخیز بوده به‌طوری‌که بدون آگاهی از اثرات چرای دام بر تنوع زیستی، مدیریت پایدار حوزه‌های آبخیز میسر نمی‌باشد. به همین دلیل آگاهی از تغییرات تنوع و ترکیب گیاهی تحت آشفتگیهای طبیعی از قبیل چرای دام برای مدیریت بهینه اکوسیستم از اهمیت بالایی برخوردار است. تحقیق حاضر با هدف بررسی تأثیر شدتهای مختلف چرای دام (کم، متوسط و زیاد) بر مؤلفههای مکانی تنوع زیستی (آلفا، بتا و گاما)، اجزای تنوع بتا شامل روگشت و الگوی آشیانهای و ترکیب گیاهی در مراتع بروجن در استان چهارمحال و بختیاری انجام گردید. نمونهبرداری در قالب طرح تصادفی - سیستماتیک و با استفاده از 60 پلات 2×2 متری در سه منطقه معرف در سه شدت چرای دام (سبک، متوسط و سنگین) انجام گردید. تجزیه و تحلیل دادهها با استفاده از بسته آماری "vegan" و "betapart" در نرمافزار R انجام شد. نتایج نشان داد که افزایش شدت چرای دام موجب کاهش معنیدار مؤلفههای تنوع آلفا، بتا و گاما می‌شود (01/0P-value <) به‌طوری‌که بیشترین مقدار مؤلفههای تنوع آلفا، بتا و گاما، در شدت چرای کم به‌ترتیب 77/11، 22/7 و 19 و در چرای شدید به‌ترتیب برابر با 44/3، 55/3 و 7 بود. همچنین نتایج این تحقیق نشان داد افزایش شدت چرای دام موجب افزایش معنیدار روگشت گونه‌ای خواهد شد که نشان‌دهنده حذف و جایگزینی گونههای گیاهی است در حالی‌که افزایش چرای دام تأثیر معنیداری بر مؤلفه الگوی آشیانهای تنوع بتا نداشت. نتایج آزمون NMDS نشان داد که چرای دام در شدتهای مختلف باعث ایجاد اختلاف معنیداری در ترکیب جوامع مورد بررسی شده است. نتایج این تحقیق نشان دادند به‌کارگیری شدت چرای سبک میتواند به‌عنوان ابزار مدیریتی مناسبی در راستای حفظ و بهبود تنوع زیستی مورد استفاده قرار گیرد.
کلیدواژه‌ها
20.1001.1.27834581.1400.1.1.5.8
مراجع
امیدیپور، رضا؛ عرفانزاده، رضا و فرامرزی، مرزبان. (1394). بررسی تأثیر چرای دام بر مؤلفههای تنوع گیاهی مراتع نیمه‌خشک کشور. مجله مرتع، 9(4)، 367-377.
امیدیپور، رضا؛ عرفانزاده، رضا و فرامرزی، مرزبان. (1396). بررسی تأثیر چرای دام بر مؤلفههای تنوع گیاهی مراتع نیمه‌خشک کشور. مجله مرتع و آبخیزداری، 70(3)، 723-734.
جعفریان، زینب؛ امیدیپور، رضا و زندی، لیلا. (1400). تأثیر ارتفاع از سطح دریا و خصوصیات خاک بر تنوع آلفا و بتای مراتع پلور مازندران. مجله بومشناسی کاربردی، 10(1)، 79-92.
زارعی، آذین؛ اسدی، اسمیاعیل؛ ابراهیمی، عطااله؛ جعفری، محمد و ملیکیان، آرش. (1397). بررسی تغییرات پارامترهای بارش و دما تحت سناریوهای اقلیمی در مراتع استان چهارمحال و بختیاری. مرتع، 12(4)، 426-432.
سازمان جنگل، مراتع و آبخیزداری کشور (1400). بخش معرفی منابع طبیعی ایران، https://frw.ir/02/Fa/default.aspx
طهماسبی، پژمان، ابراهیمی، عطالله و یارعلی، نبی‌الله. (1391). تعیین مناسب ترین شکل و اندازه پلات برای برآورد چند متغیر مرتعی در مراتع نیمه استپی. مجله مرتع و آبخیزداری، 65(2)، 203-216.
نداف، محبت (1396). بررسی ارتباط بین گروههای اکولوژیک و تنوعزیستی با عوامل محیطی در منطقه ایندکس های ترکیبی جوزک-چمنبید، استان خراسان شمالی. رساله دکتری در رشته زیستشناسی، دانشگاه فردوسی مشهد.
Baselga, A. (2010). Partitioning the turnover and nestedness components of beta diversity. Global Ecology and Biogeography, 19(1), 134-143. https://doi.org/10.1111/j.1466-8238.2009.00490.x
Baselga, A. & Orme, C. D. L. (2012). Betapart: an R package for the study of beta diversity. Methods in Ecology and Evolution, 3(5), 808-812. http://www.respond2articles.com/MEE/
Bloor, J. M. & Pottier, J. (2014). Grazing and spatial heterogeneity: implications for grassland structure and function. Grassland Biodiversity and Conservation in a Changing World, 135-162.
Calderon-Patron, J. M., Moreno, C. E., Pineda-LOpez, R., Sanchez-Rojas, G. & Zuria, I. (2013). Vertebrate dissimilarity due to turnover and richness differences in a highly beta-diverse region: the role of spatial grain size, dispersal ability and distance. Plos One, 8(12), e82905. https://doi.org/10.1371/journal.pone.0082905
Cingolani, A. M., Noy-Meir, I. & Diaz, S. (2005). Grazing effects on rangeland diversity: a synthesis of contemporary models. Ecological Applications, 15(2), 757-773. https://doi.org/10.1890/03-5272
Connell, J. H. (1978). Diversity in tropical rain forests and coral reefs. Science, 199, 1302-1310. https://doi.org/0.1126/science.199.4335.1302
Crist, T. O., Veech, J. A., Gering, J. C., & Summerville, K. S. (2003). Partitioning species diversity across landscapes and regions: a hierarchical analysis of α, β, and γ diversity. The American Naturalist, 162(6), 734-743. https://doi.org/10.1086/378901
Dapporto, L., Fattorini, S., VodA, R., Dinca, V. & Vila, R. (2014). Biogeography of western Mediterranean butterflies: combining turnover and nestedness components of faunal dissimilarity. Journal of Biogeography, 41(9), 1639-1650. https://doi.org/10.1111/jbi.12315
Dengler, J., Janisova, M., Torok, P. & Wellstein, C. (2014). Biodiversity of Palaearctic grasslands: a synthesis. Agriculture, Ecosystems & Environment, 182, 1-14. https://doi.org/10.1016/j.agee.2013.ایندکس های ترکیبی 12.015
Dobrovolski, R., Melo, A. S., Cassemiro, F. A. & Diniz Filho, J. A. F. (2012). Climatic history and dispersal ability explain the relative importance of turnover and nestedness components of beta diversity. Global Ecology and Biogeography, 21(2), 191-197. https://doi.org/10.1111/j.1466-8238.2011.00671.x
Erfanzadeh, R., Omidipour, R. & Faramarzi, M. (2015). Variation of plant diversity components in different scales in relation to grazing and climatic conditions. Plant Ecology & Diversity, 8(4), 537-545. https://doi.org/10.1080/17550874.2015.1033774
Gamoun, M. (2014). Grazing intensity effects on the vegetation in desert rangelands of Southern Tunisia. Journal of Arid Land, 6(3), 324-333. https://doi.org/10.1007/s40333-013-0202-y
Gutierrez-Canovas, C., Millan, A., Velasco, J., Vaughan, I. P. & Ormerod, S. J. (2013). Contrasting effects of natural and anthropogenic stressors on beta diversity in river organisms. Global Ecology and Biogeography, 22(7), 796-805. https://doi.org/10.1111/geb.12060
Haregeweyn, N., Berhe, A., Tsunekawa, A., Tsubo, M. & Meshesha, D. T. (2012). Integrated watershed management as an effective approach to curb land degradation: a case study of the Enabered watershed in northern Ethiopia. Environmental Management, 50(6), 1219-1233. https://doi.org/10.1007/s00267-012-9952-0
Heathcote, I. W. (2009). Integrated watershed management: principles and practice. John Wiley & Sons.
Hendricks, H. H., Bond, W. J., ایندکس های ترکیبی Midgley, J. J. & Novellie, P. A. (2005). Plant species richness and composition a long livestock grazing intensity gradients in a Namaqualand (South Africa) protected area. Plant Ecology, 176(1), 19-33.
Holechek, J. L. (1991). Chihuahuan desert rangeland, livestock grazing, and sustainability. Rangelands Archives, 13(3), 115-120.
Jurasinski, G., Retzer, V. & Beierkuhnlein, C. (2009). Inventory, differentiation, and proportional diversity: a consistent terminology for quantifying species diversity. Oecologia, 159(1), 15-26.
Kinloch, J. E. & Friedel, M. H. (2005). Soil seed reserves in arid grazing lands of central Australia. Part 1: seed bank and vegetation dynamics. Journal of Arid Environments, 60(1), 133-161. https://doi.org/10.1016/j.jaridenv.2004.03.005
Klimek, S., Marini, L., Hofmann, M. & Isselstein, J. (2008). Additive partitioning of plant diversity with respect to grassland management regime, fertilization and abiotic factors. Basic and Applied Ecology, 9(6), 626-634. https://doi.org/10.1007/s11284-015-1304-0
Lafage, D., Maugenest, S., Bouzille, J. B. & Petillon, J. (2015). Disentangling the influence of local and landscape factors on alpha and beta diversities: opposite response of plants and ground-dwelling arthropods in wet meadows. Ecological Research, 30(6), 1025-1035. https://doi.org/10.1007/s11284-015-1304-0
Lande, R. (1996). Statistics and partitioning of species diversity, and similarity among multiple communities. Oikos, 5-13.
Legendre, P. (2014). Interpreting the replacement and richness difference components of beta diversity. Global Ecology and Biogeography, 23(11), 1324-1334. https://doi.org/10.1111/geb.12207
Leprieur, F., Albouy, C., De Bortoli, J., Cowman, P. F., Bellwood, D. R. & Mouillot, D. (2012). Quantifying phylogenetic beta diversity: distinguishing between ‘True’ Turnover of lineages and phylogenetic diversity gradients. PloS one, 7(10), 1-12. https://doi.org/10.1371/journal.pone.0042760
MacArthur, R. H. & Wilson, E. O. (1967). The theory of island biogeography: Princeton Univ Pr. Press, Princeton.
Melo, A. S., Rangel, T. F. L. & Diniz Filho, J. A. F. (2009). Environmental drivers of beta‐diversity patterns in New‐World birds and mammals. Ecography, 32(2), 226-236. https://doi.org/10.1111/j.1600-0587.2008.05502.x
Meynard, C. N., Devictor, V., Mouillot, D., Thuiller, W., Jiguet, F. & Mouquet, N. (2011). Beyond taxonomic diversity patterns: how do α, β and γ components of bird functional and phylogenetic diversity respond to environmental gradients across France? Global Ecology and Biogeography, 20(6), 893-903. https://doi.org/10.1111/j.1466-8238.2010.00647.x
Milchunas, D. G., Sala, O. E. & Lauenroth, W. K. (1988). A generalized model of the effects of grazing by large herbivores on grassland community structure. The American Naturalist, 132(1), 87-106.
Navarro, T., Alados, C. L. & Cabezudo, B. (2006). Changes in plant functional types in response to goat and sheep grazing in two semi-arid shrublands of SE Spain. Journal of Arid Environments, 64(2), 298-322. https://doi.org/10.1016/j.jaridenv.2005.05.005
Noy-Meir, I. (1990). The effect of grazing on the abundance of wild wheat, barley and oat in Israel. Biological Conservation, 51(4), 299-310. https://doi.org/10.1016/0006-3207(90)90115-6
Oksanen, J., Blanchet, F. G., Friendly, M., Kindt, R., Legendre, P., McGlinn, D., Minchin, P. R., O’Hara, R. B., Simpson, G. L., Solymos, P. & Stevens, M. H. H. (2018). Vegan: community ecology package. R package version, 2, 5-2.
Olden, A. & Halme, P. (2016). Grazers increase β-diversity of vascular plants and bryophytes in wood‐pastures. Journal of Vegetation Science, 27(6), 1084-1093. https://doi.org/10.1111/jvs.12436
Omidipour, R., Erfanzadeh, R. & Faramarzi, M. (2021). Climatic condition effects on the components of plant diversity in the western Iran grasslands using multiplicative partitioning methods. Caspian Journal of Environmental Sciences, 19(1), 1-10. https://doi.org/10.22124/cjes.2021.4302
Pordel, F., Ebrahimi, A. & Azizi, Z. (2018). Canopy cover or remotely sensed vegetation index, explanatory variables of above-ground biomass in an arid rangeland, Iran. Journal of Arid Land, 10(5), 767-780. https://doi.org/10.1007/s40333-018-0017-y
R Core Team. (2018). R: A Language and Environment for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria.
Si, X., Baselga, A. & Ding, P. (2015). Revealing beta-diversity patterns of breeding bird and lizard communities on inundated land-bridge islands by separating the turnover and nestedness components. PLoS One, 10(5), e0127692. https://doi.org/10.1371/journal.pone.0127692
Talle, M., Deak, B., Poschlod, P., Valko, O., Westerberg, L., & Milberg, P. (2016). Grazing vs. mowing: A meta-analysis of biodiversity benefits for grassland management. Agriculture, Ecosystems & Environment, 222, 200-212. https://doi.org/10.1016/j.agee.2016.02.008
WallisDeVries, M. F., Vries, M. F. W., Bakker, J. P., Bakker, J. P., van Wieren, S. E. & Van Wieren, S. E. (Eds.). (1998). Grazing and conservation management (Vol. 11). Springer Science & Business Media.
مقدمه ای بر شاخص های بورس ایالات متحده
شاخص های بورس اوراق بهادار در سرتاسر جهان شاخص های قدرتمندی برای اقتصادهای جهانی و به ویژه کشورها هستند. در ایالات متحده S&P 500، میانگین صنعتی داو جونز و Nasdaq مرکب سه شاخصی هستند که به طور گسترده از طرف رسانه ها و سرمایه گذاران دنبال می شوند. علاوه بر این سه فهرست شاخص های دیگر نیز بازار سهام ایالات متحده را تشکیل می دهند.
با وجود ایندکس های بسیار زیاد ، بازار ایالات متحده دارای طیف گسترده ای از متدولوژی ها و طبقه بندیها است که میتواند طیف گسترده ای را ارائه دهد. رسانه ها غالباً درمورد سه فهرست برتر به طور منظم در طول روز گزارش می دهند که اخبار مهم را به عنوان مشارکت کننده و ناشران ارائه می دهند. مدیران سرمایه گذاری از شاخص ها به عنوان معیارهای گزارش عملکرد استفاده می کنند.
در همین حال ، سرمایه گذاران انواع مختلف از ایندکس ها بعنوان مبنای عملکرد و راهنمای تخصیص استفاده می کنند. شاخص ها همچنین پایه و اساس سرمایه گذاری برای شاخص منفعل را تشکیل می دهند که غالباً از طریق صندوق های مبادله ای انجام می شود که بطور مشخص شاخص ها را دنبال می کنند. به طور کلی ، درک چگونگی ساخت و استفاده از شاخص های بازار می تواند به افزودن معنا و وضوح برای طیف گسترده ای از راه های سرمایه گذاری کمک کند. در زیر ما در مورد سه شاخص برتر ایالات متحده ، ویلشایر 5000 که شامل همه سهام موجود در کل بازار بورس اوراق بهادار ایالات متحده و گردآوری برخی از شاخص های قابل توجه دیگر است ، توضیح می دهیم.
ویلشر 5000 شامل کلیه سهام موجود در بازار سهام ایالات متحده است.ایندکس ها می توانند به روش های گوناگونی ساخته شوند اما معمولاً با سرمایه گذاری و تفکیک بخش مشخص می شوند.
S&P 500
شاخص استاندارد و پور 500 (معمولاً با عنوان S&P 500 شناخته می شود) یک فهرست با 500 شرکت برتر در سهام ایالات متحده است که در درجه اول طریق سرمایهگذاری برای این شاخص انتخاب می شوند اما کمیته سازنده همچنین فاکتورهای دیگری از جمله نقدینگی ، شناوری عمومی ، طبقهبندی سودآوری مالی و تاریخ تجارت را در نظر می گیرد. شاخص S&P 500 تقریباً 80٪ از ارزش کل بازار سهام ایالات متحده را نشان می دهد. به طور کلی ، شاخص S&P 500 نشانگر خوبی از حرکت در بازار ایالات متحده به عنوان یک کل است.
ایندکسها معمولاً دارای وزن قیمت یا وزن بازار هستند. بنابراین ، هر بورس در این شاخص به نسبت کل سرمایه بازار نشان داده شده است . به عبارت دیگر ، اگر ارزش کل بازار هر 500 شرکت در S&P 500 ده درصد کاهش یابد ، ارزش این شاخص نیز 10٪ کاهش می یابد.
میانگین صنعتی Dow Jones
میانگین صنعتی داو جونز (DJIA) یکی از قدیمی ترین، شناخته شده ترین و قابل استفاده ترین شاخص ها در جهان است. این شرکت شامل سهام 30 شرکت بزرگ و تأثیرگذار در ایالات متحده است.این شاخص یک شاخص ارزش بر مبنای وزن قیمت است. در ابتدا با جمع کردن قیمت هر سهم هر شرکت در فهرست شرکتها و تقسیم این مبلغ بر تعداد شرکتها محاسبه می شود. متاسفانه، شاخص دیگر برای این محاسبه ساده نیست.
DJIAحدود یک چهارم از ارزش کل بازار سهام ایالات متحده را نشان می دهد ، اما تغییر درصدی در داو را نباید به عنوان یک نشانه قطعی تفسیر کرد که کل بازار با همان درصد کاهش یافته است. این به دلیل عملکرد با وزن مخصوص داو است. مشکل اساسی این است که تغییر 1 دلاری قیمت سهام 120 دلاری در ایندکس نسبت به تغییر 1 دلاری در قیمت سهام 20 دلاری ، بیشتر بر DJIA اثر خواهد گذاشت ، اگرچه ممکن است سهام با قیمت بالاتر تنها با /8 تغییر کرده باشد و دیگری 5٪.
تغییر در داو نمایانگر تغییر در انتظارات سرمایه گذاران از درآمد و ریسک شرکتهای بزرگی است که در این فهرست قرار دارند. از آنجا که نگرش کلی نسبت به سهام بزرگ اغلب با نگرش نسبت به سهام کوچک ، سهام بین المللی یا سهام فناوری متفاوت است ، از Dow نباید برای نشان دادن احساسات در سایر مناطق بازار استفاده شود. بنابراین ، گرچه لزوماً نمایندگی از بازار گسترده نیست ، اما می تواند نمایانگر بازار ارزش سهام و سود سهام باشد.
Nasdaq ترکیبی
بیشتر سرمایه گذاران می دانند که Nasdaq صرافی است که در آن سهام سهام فناوری معامله می شود. شاخص ترکیبی نزدک شاخص وزن بازار سرمایه از تمام سهام معامله شده در بورس نزدک است. این شاخص شامل برخی شرکت ها است که در ایالات متحده مستقر نیستند. این شاخص که به دلیل سنگین بودن فناوری شناخته شده است ، شامل چندین زیر مجموعه در بازار فناوری از جمله نرم افزار ، زیست فناوری ، نیمه هادی ها و موارد دیگر است. اگرچه این شاخص به دلیل بخش عمده ای از سهام فناوری شناخته شده است.
اما شامل برخی از اوراق بهادار از سایر صنایع نیز می باشد. سرمایه گذاران همچنین دارای اوراق بهادار از بخش های مختلفی از جمله بخش های مالی ، صنعتی ، بیمه و سهام حمل و نقل از جمله سایرین می باشند. Nasdaq ترکیبی شامل بنگاههای بزرگ و کوچک است ، اما برخلاف Dow و S&P 500 ، بسیاری از شرکتهای سوداگرانه با سرمایه های کوچک در بازار نیز شامل می شود . در نتیجه ، جنبش آن به طور کلی نشان دهنده عملکرد صنعت فناوری و همچنین نگرش سرمایه گذاران نسبت به سهام سفته بازی تر است.
Wilshire 5000
ویلشایر 5000 است که گاهی اوقات به نام “کل شاخص بازار سهام” و یا “شاخص کل بازار” شامل تمام شرکت های تجاری عمومی با دفتر مرکزی در ایالات متحده هستند. این شاخص که در سال 1974 نهایی شد ، نشان دهنده کل بازار سهام ایالات متحده و حرکت آن به طور کلی است. اگرچه این یک اقدام بسیار گسترده برای کل بازار ایالات متحده است ، اما Wilshire 5000 محبوبیت کمتری از S&P 500 دارد و کمتر به آن نسبت به S&P500 مراجعه می شود.
شاخص ها نقش مهمی در تحلیل کلی بازار سهام ایالات متحده دارند. شاخص ها و حرکات آنها بینش زیادی به اقتصاد ، اشتهای ریسک عمومی سرمایه گذاران و روندهای متنوع سازی سرمایه گذاری ارائه می دهد. به طور کلی ، درک تفاوت های ظریف در ساخت و ساز و ترکیب آنها می تواند برای تصمیم گیری در مورد انواع تصمیم گیری های سرمایه گذاری ضروری باشد.
مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی
هدف پژوهش حاضر مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش‌بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش‌بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش‌بینی ارزیابی شده است. نتایج نشان می‌دهد دقت پیش‌بینی مدل‌های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش‌بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.
کلیدواژه‌ها
عنوان مقاله [English]
Comparison of Stock Index Forecasting Using Hybrid Models Based on Genetic Algorithm and Harmonic Search with Artificial Neural Network
نویسندگان [English]
- Maryam Davallou 1
- Toktam Heidari 2
1 Assistant professor, Faculty of Management and Accounting, Shahid Beheshti University. Tehran. Iran
2 MSc Student in Financial Management. Ershad Damavand University, Tehran, Iran
چکیده [English]
This paper is aimed to compare stock index forecasting using hybrid models based on Genetic Algorithm (GA) and Harmonic Search (HS) with Artificial Neural Network (ANN). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network designated by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in the test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.
کلیدواژه‌ها [English]
- Genetic Algorithms
- Harmony Search
- Artificial Neural Networks
مراجع
- استیری، علی. (1392). «پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از مدل ترکیبی». پایان‌نامه کارشناسی ارشد، دانشگاه تهران.## حقیقت منفرد، جلال، محمود احمدعلی‌نژاد و سارا متقالچی. (1391). «مقایسه مدل‌های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش‌بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران». مهندسی مالی و مدیریت اوراق بهادار، 3(11): 16-1. ##عاملی، احمد و ملیحه رمضانی. (1394). «پیش‌بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی بر الگوریتم ژنتیک و مقایسه با شبکه عصبی فازی». تحقیقاتمدلسازیاقتصادی، 6(22): 91-61. ##علوی، جعفر. (1385). «ترکیب تحلیل تکنیکی با هوش مصنوعی (هوش محاسباتی) و مقایسه آن با روش تحلیل تکنیکی پیش‌بینی قیمت سهام». پایان‌نامه کارشناسی ارشد، دانشگاه تهران. ##منجمی، سیدامیرحسین، مهدی ابزری و علیرضا رعیتی شوازی. (1388). «پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی». اقتصاد مقداری (بررسی‌های اقتصادی سابق)، 6(3): 26-1. ##
- Geem, Z.W. (2009). Music-Inspired Harmony Search Algorithm: Theory and Applications. Springer Publishing Company, Berlin. ##Gocüken, M., M. Ozcüalõcõ, A. Boru & A. Dosdogùru. (2016). Integrating Metaheuristics and Artificial Neural Networks for Improved Stock Price Prediction. Expert Systems with Applications, Vol. 44, pp: 320-331. ##Gorynin, I., E. Monfrini & W. Pieczynski. (2017). Pairwise Markov Models for Stock Index Forecasting. 25th European Signal Processing Conference (EUSIPCO), IEEE. ##Huang, C., D. Yang & Y. Chuang. (2008). Application of Wrapper Approach and Composite Classifier to the Stock Trend Prediction. Expert System with Application, Vol.34(4), pp: 2870-2878. ##Jian, Z. & L. Song. (2017). Financial Time Series Analysis Model for Stock Index Forecasting. International Journal of Simulation Systems, Science & Technology, Vol.17, pp: 12.1-12.6. ##Laboissiere, L.A., R.A.S. Fernandes & G.G. Lage. (2015). Maximum And Minimum Stock Price Forecasting of Brazilian Power Distribution Companies Based on Artificial Neural Networks. Applied Soft Computing, Vol.35, pp: 66-74. ##Prasanna, S. & D. Ezhilmaran. (2013). An Analysis on Stock Market Prediction Using Data Mining Techniques. International Journal of Computer Science & Engineering Technology, Vol.4(2), pp: 49-51. ##Wang, J.Z., J.J. Wang, Z.G. Zhang & S.P. Guo. (2012). Forecasting Stock Indices with Back-Propagation Neural Network. Expert Systems with Applications, Vol.38(11), pp: 14346-14355. ##White, H. (1988). Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns. IEEE International Conference on Neural Networks. ##
تاپل ها در پایتون
می توان از اندیس -1 برای دسترسی به اخرین عنصر تاپل استفاده کرد..-2 به معنی دومین عنصر از آخر می باشد.
چاپ آخرین عنصر تاپل.
تعیین محدوده ایندکس ها
از طریق مشخص کردن ایندکس شروع و ایندکس پایان ، می توانیم یه محدوده از ایندکس ها ایجاد کنیم.
خروجی این کار، یک تاپل با مقادیر جدید می باشد
مثال زیر ، سومین و چهارمین و پنجمین عنصر لیست را برمی گرداند.
thistuple = ( “apple” , “banana” , “cherry” , “orange” , “kiwi” , “melon” , “mango” )
print (thistuple[ 2 : 5 ])
نکته : در مثال بالا جستجو از ایندکس 2 (شامل می شود) شروع می شود و به ایندکس 5 (شامل نمی شود) خاتمه می یابد
به یاد داشته باشید که اولین عنصر لیست با ایندکس 0 شماره گذاری می شود. ایندکس شروع تمام لیست ها 0 است
در صورتیکه محدوده ایندکس خود را بدون ایندکس شروع رها کنید، ایندکس شروع شما، ایندکس ابتدای لیست یا ایندکس صفر می باشد.
در مثال زیر لیست جدید از عنصر اول لیست شروع می شود و تا چهارمین عنصرلیست با اندیس 3 ادامه می یابد.
thislist = [ “apple” , “banana” , “cherry” , “orange” , “kiwi” , “melon” , “mango” ]
print (thislist[ :4 ])
محدوده ای از ایندکس های منفی
زمانیکه بخواین لیست جدید شما از انتهای لیست شروع شود از ایندکس منفی استفاده می کنیم
در مثال زیر خروجی ما از اندیس -4 شروع می شود و تا -1 ادامه می یابد.عناصر -4 و -3 و -2 نمایش داده می شود
thistuple = ( “apple” , “banana” , “cherry” , “orange” , “kiwi” , “melon” , “mango” )
print (thistuple[ – 4 : – 1 ])
تغییر مقادیر تاپل
زمانیکه شما یک تاپل ایجاد می کنید، ان تاپل تغییر ناپذیر است و نمی توان مقادیرش را تغییر دهید. ولی یه راه وجود دارد که شما می توانید مقادیر تاپل را تغییر دهید. برای این کار شما در ابتدا تاپل را به یک لیست تبدیل می کنید و بعد از تغییر ، لیست را دوباره به تاپل تبدیل می کنید.
دیدگاه شما