افزایش اجاره و قیمت مسکن همزمان با رشد آهسته و نامتناسب دستمزدها، تغییر ساختار هرم جمعیتی (به واسطه افزایش امید به زندگی)، رشد جمعیت در آستانه ازدواج و رشد مهاجرت به شهرها مهمترین عوامل بروز پدیده بی‏خانمانی محسوب می‏شوند. بعضاً‌ شکاف درآمد و هزینه به حدی می‏رسد که افراد کم درآمد حتی به کمک تسهیلات بانکی از عهده خرید مسکن و حتی بازپرداخت اقساط وام‏های دریافتی برنمی‏آیند. به عبارت دیگر مقوله اسکان کم درآمدها از مصادیق بارز شکست بازار تلقی شده و دخالت جدی دولت را در جهت ساماندهی به این بازار طلب می‏کند. هر چند در لزوم دخالت تردیدی نیست اما توصیه آن است که حتی‏المقدور این دخالت با همراهی و معیت بخش خصوصی به سرانجام رسد و از سرمایه گذاری و مدیریت این بخش امکان استفاده صورت گیرد.
برای سنجش توان خرید مسکن شاخص‏های متعددی معرفی شده است. اما شاخصی که در بیشتر کشورها برای تشخیص و طبقه‏بندی افراد نیازمند به کمک دولت در اسکان کاربرد دارد (سهم درصد از اختصاص درآمد ماهانه یک شخص برای امر مسکن) است. براساس استاندارد تعریف شده توسط (دپارتمان مسکن و عمران شهری ایالات متحده) مسکن زمانی دستیافتنی تلقی می‏شود که برای اجاره آن بیش از ۲۵ درصد درآمد و یا برای بازپرداخت اقساط وام‏های رهنی بیش از ۲۵ درصد درآمد و یا برای بازپرداخت اقساط وامهای رهنی بیش از ۳۰ درصد درآمد ناخالص شخص هزینه نشود(۸).

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

مشکل عدم استطاعت خرید در شهرهای بزرگ با توجه به گرایشی که نسبت به مهاجرت به این مناطق وجود دارد و با توجه به عدم کفایت عرضه نسبت به تقاضای واحد مسکونی در این مناطق جدی‏تر است. تجربه نشان می‏دهد در این مناطق، قیمت مسکن عمدتاً‌ در یک روند واگرا نسبت به هزینه‏ های تولید، حرکت می‏کند.
باید دقت داشت که در مواردی که عدم استطاعت خرید ناشی از قیمت بالای مسکن به واسطه بالا بودن هزینه‏ های تمام شده، ساخت (فشار هزینه در کنار فشار تقاضا) می‏باشد، صرف افزایش عرضه کارساز نبوده، بلکه ممکن است بعضاً اثر معکوس و افزایشی در قیمت داشته باشد. در صورتی که مشکل عدم استطاعت به واسطه گرانی حاصل از بالا بودن هزینه‏ های ساخت باشد، همراهی دولت به منظور کمک به حذف بحران و کاهش هزینه‏ های ساخت ضروری به نظر می‏رسد. معیار ۳۰ درصد درآمد برای مسکن، نه تنها توسط دولت برای شناخت و تفکیک افراد مستطیع از سایرین ملاک عمل قرار می‏گیرد بلکه در برخی کشورها دیده شده است بانکها نیز برای تشخیص قدرت بازپرداخت وام توسط افراد، معیار عدم تجاوز اقساط وام از ۳۰ درصد درآمد شخص را قایل شده‏اند به نحوی که برای کسانی که قرار باشد بیش از ۳۰ درصد درآمدشان به امر بازپرداخت اقساط اختصاص یابد حسابی جداگانه باز نموده و بعضاً با اکراه به این قشر وام می‏دهند یا حتی از اعطای وام طفره رفته و شکست بازار در تأمین مسکن برای قشر کم درآمد را بیش از پیش دامن می‏زنند. بدین ترتیب حتی اگر شخص قادر به خرید مسکن با پس‏اندازهای به علاوه رقم وام قابل دریافت از سیستم بانکی باشد این معیار تعیینی توسط بانکها، امکان خرید واحد مسکونی را از شخص سلب نموده و به جهت عدم استطاعت شخص در بازپرداخت اقساط وام، بار تأمین مسکن برای این قشر را به دوش دولت می‏نهند. از این رو معمولاً توصیه می‏شود به جهت کاسته شدن از رقم اقساط بخشی از بهره و یا قسط توسط دولت از طریق وجوه اداره شده تقبل گردد(۹).
شکست بازار در تأمین مسکن افراد و لزوم دخالت دولت در این بخش
با توجه به اینکه تأمین مسکن برای افراد جامعه همواره در مسیر بهینه خود حرکت نمی‏کند بسیاری از اقتصاددانان تأمین مسکن اقشار کم درآمد را از مصادیق شکست بازار معرفی نموده و دولت را مکلف به اعمال دخالت در بازاردهی نماینده بی‏خانمانی و وجود خانه‏های مغایر با استانداردهای کیفیت ساخت، مصداق روشن شکست بازار و بارزترین شاخص کمبود مسکن است. خانه‏های خالی از سکنه یکی از نمودهای شکست بازار در امر تخصیص خانه است. چرا که در کشورهای مختلف دنیا به رغم وجود مازاد تقاضا در بازار مسکن خانه‏هایی خالی از سکنه وجود دارد. چنانچه این تعداد خانه، به خانه‏های در حال عرضه اضافه شود. شکاف میان عرضه و تقاضا تا حد زیادی برطرف خواهد شد(۱۰).
شکاف عرضه و تقاضا، علاوه بر تأثیر بر قیمت مسکن، اجاره بها را نیز بشدت متأثر می‏سازد. ناکارآمدی بازار در تأمین مسکن برای طیف وسیعی از اقشار با درآمد متوسط و پایین در کنار عملکرد ناکارآی نظام اقتصادی از جمله رشد نامتناسب دستمزد نسبت به رشد قیمت و اجاره بهای مسکن، لزوم دخالت دولت در این بازار را حتمی می‏سازد. بنابراین، دولت دخالت در بازار مسکن را با سه هدف دنبال می‏کند. هدف اول برای مقابله با معضل شکست بازار در تأمین سرپناه مناسب برای افراد سالخورده، بیمار، بی‏بضاعت، ناتوان جسمی و ذهنی و افراد کم درآمد صورت می‏یذیرد. هدف دوم توزیع مناسب مسکن در مناطق مختلف و هدف سوم توجه به بازار مسکن به عنوان یک منبع مالیاتی ـ درآمدی برای دولت در شرایط رونق اقتصادی است. البته دخالت دولت در جبران خسارت ناشی از زلزله، سیل، آتش‏سوزی و دیگر حوادث طبیعی (در صورت گسترش ناکافی بیمه‏ها) بدیهی فرض می‏شود. لازم به ذکر است برخی از کارشناسان برای میزان دخالت دولت حد و مرزی قایل نشده در تمامی جوانب دولت را مکلف می‏سازند تا همگام با بخش خصوصی حرکت نماید. این گروه وظایف حاکمیتی و تصدی‏گری دولت را حفظ نموده، خواستار دخالت همه جانبه دولت در امر اسکان می‏باشند، برعکس برخی دیگر تمامی مسئولیت ساخت و ساز را متوجه بخش خصوصی می‏دانند. بنابراین گام اول در شناسایی و حل مشکل اسکان، بررسی و تبیین حدود دخالت دولت در بازار است(۱۱).
نقش دولت در اسکان
گسترش اسکان غیررسمی (حومه نشینی) در ایران و تهران از دهه ۱۳۴۰ و ۱۳۵۰ آغاز شد مجوعه آمار حکایت از آن دارد که بین ۲۰ تا ۳۰درصد جمعیت کلان شهرها و حتی بسیاری از شهرهای متوسط در زیستگاههای نابسامان و در حاشیه شهرها اسکان گرفته اند که این مناطق جایگاه فقیر‎ترین گروه ها‎ی جمعیت شهری هستند و معمولاً سطح زندگی ساکنان این مناطق پائین‎تر از خط فقر یا حداکثر هم سطح آن است جمعیت ساکن در این مناطق که اکثریت ایشان را مهاجران مناطق روستائی تشکیل می‎دهند به شدت گرفتار بیکاری‎اند تجربه جهان و ایران برطرف کردن مشکل مسکن افراد کم درآمد نشان می‎دهد که جلوگیری از سیل مهاجرت افراد به شهرها کمکی به حل مشکل نمی‎کند و اقدامات فعلی دولت در ساخت مسکن استیجاری با اهتمام فعلی نمی‎تواند پاسخگوئی مسکن قشر کم درامد باشد ساخت مسکن از سوی دولت تنها عده محدودی را دربر می‎گیرد و در نهایت برای این عده ایجاد مزیت می‎کند به طوری که مشمول این عده محدود نیز دور از عدالت اجتماعی است از آنجا که برای ساماندهی اسکان کم درآمد‎ها و یا ساخت مسکن تاکنون تنها به منابع دولتی اکتفا شده و به ایجاد نظام مالی پوشش دهنده مسکن برای افراد کم درآمد جامعه کم توجهی شده است مشکل روز به روز حادتر می‎شود برای حل مسئله مسکن که اغلب تحت عنوان مسکن کم درآمد‎ها و ماشینه‎شدن‎ها از آن یاد می‎شود آنچه فراوان یافت می‎شود راهبرد و راه حل است دولت مخاطب همه پیشنهادهاست اما گره کار در اینجاست که ظرفیت دولت برای انجام کار در همه کشورها کم و در کشورهای غیرصنعتی و از جمله کشور ما بسیار اندک است بطوریکه امتیازات در نظر گرفته شده برای اسکان این اقشار و همچنین میزان متناوب سیستم بانکی در تامین مالی این افراد نیز چندان رضایت بخش نیست به نظر می‏‎رسد به رسمیت شناختن اولویت‎های اقشار کم درآمد در نظام برنامه‎ ریزی از نخستین راه‎کارهای مقابله با این مسئله باشد(۱۲).
بر اساس قانون شهرداریها علاوه بر صدور پروانه ساختمانی برای کلیه ساختمان‎های شهر که بر اساس ضوابط و مکررات طرح‎های جامع و تفضیلی صورت می‎گیرد اتخاذ تدابیر برای ساخت خانه‎های ارزان قیمت برای اشخاص بی‎بضاعت شهر نیز از جمله وظائف شهرداریها در امر مسکن بر شمرده شده است بررسی سوابق نشان می‎دهد وظیفه ساخت مسکن ارزان قیمت برای افراد بی‎بضاعت هیچگاه بوسیله شهرداریهای کشور به اجرا در نیامده است و تقریباً هیچ تجربه‎ای مبنی بر ورود شهرداریها به فرایند برنامه‎ ریزی یا ساخت مسکن وجود ندارد شهرداریها به دلیل هزینه نگهداری و مدیریت این مجموعه‎های مسکونی انگیزه‎ای برای احداث این گونه واحدها ندارند علاوه بر این اگر شهرداری به عنوان پیمانکار و موظف باشد که هم زمین را خریداری نموده و هم خانه احداث نماید به دلیل مشکلات و موانع موجود رغبتی برای ساخت خانه‎های ارزان قیمت نخواهد داشت همچنین وابستگی و اتکای شهرداری‎ها به درآمدهای ناشی از فروش تراکم نیز مزید بر علت شده امکان صرف نظر نمودن از این منبع درآمدی به منظور کاهش هزینه‏‎‎های ساخت واحدهای استیجاری برای اقشار کم درآمد را از آنها سلب کرده است ایجاد تنوع در منابع درآمدی و عمل در حیطه وظایف از جمله راه‎کارهائی است که شهرداریها با فراغ بال به اسکان کم‎درآمدها بیندیشند در حال حاضر شهرداری‎ها مجری ضوابط تعیین شده از بالا هستند اما چنانچه همانگونه که در قانون پیش‎بینی شده است مدیریت این فعالیت بر عهده شهرداری‎ها باشد و مشکلات بودجه‎ای در اتکا به منابع فروش تراکم برطرف شود قطعاً شهرداریها از پذیرش پروژه‎های ساخت واحدهای ارزان قیمت برای قشر مورد نظر استقبال می‎کنند(۲).
سیاستهای حمایت از تقاضای مسکن
یک تفکر غلط بویژه در کشور ما آن است که تسهیلات کم بهره خرید مسکن بایستی در اختیار هر قشری قرار گیرد. این در حالی است که سیاست معمول و متداول در دیگر کشورها آن است که اولاً اقشار هدف به خوبی شناسایی شده، تسهیلات ارزان قیمت با هدف تقویت جانب تقاضا صرفاً‌ در اختیار افراد کم درآمد قرار می‏گیرد. لذا یک سیستم یارانه‏ای مسکن که عموما‌ً‌ بایستی معطوف به پوشش اقشار کم درآمد باشد باید از ویژگیهای زیر برخوردار باشد (۱۱):
۱ـ هدفمند باشد یعنی به گونه‏ای تعریف شود که صرفاً به اقشار هدف برسد و افرادی که استطاعت پرداخت دارند را شامل شود.
۲ـ سیاستهای یارانه‏ای می‏باید از ویژگی شفافیت، قابلیت سهولت در دسترسی و غیر بروتیک بودن برخوردار بوده و در عین حال با افزایش درآمد اشخاص تحت پوشش سهم یارانه‏ها کاهش یابد.
۳ـ به گونه‏ای طراحی شود که مانعی برای رقابت مکانیسم بازار نبوده و ضد انگیزه برای فعالیت بخش خصوصی در پوشش نیازهای سایر اشخاص محسوب نگردد.
سیستم یارانه‏ای تأمین مسکن مادامی که حساب شده و با برنامه حرکت کند می‏تواند اقشار کم درآمد را صاحب خانه کند و انگیزه‏های ساختمان سازی را تقویت کند، چنانچه بی‏هدف باشد ضمن لطمه به بودجه دولت و هدر رفتن منابع دولت، برای فعالیت سیستم تأمین مالی مسکن تحت شرایط بازار ضد انگیزه محسوب می‏شود.
در ذیل به برخی از سیاستهای جانب تقاضا اشاره می‏کنیم(۱۲) :
یارانه در اجاره بهای واحد مسکونی
از ابزارهای پرکاربرد در حمایت از اقشار کم درآمد در بخش مسکن کمک اجاره است. این نوع سیاست گونه‏های متفاوتی دارد پرداخت مستقیم یارانه به مستأجران کم درآمد و یا پرداخت مستقیم به مالک به منظور جبران مابه‏التفاوت اجاره بهای دریافتی از اجاره معمول در منطقه از جمله این موارد هستند.
یارانه خرید خانه
برخی از دولت‏ها به افراد کم درآمد در خرید واحد مسکونی در قالب یارانه کمک می‏کنند. این پرداخت ها می‏تواند به یکباره (یا ادامه دار در صورتی که مبلغ به صورت اقساطی پرداخت شود)، به صورت مقادیر ثابت و یا تابعی از نرخ‏های بهره، به صورت پرداخت‏های مستقیم به خانوار یا به فروشنده واحدهای مسکونی و یا نهاد وام دهنده و یا براساس دیگر معیارها پرداخت شود. چنین روشی برای خانوارهایی که برای اولین بار قصد خرید خانه دارند می‏تواند به کار بسته شود. براین اساس افراد هر چند الزاماً در زمره افراد کم درآمد قرار نگیرند از چنین یارانه‏هایی بهره‏مند می‏شوند(۱۴).
روش سهامی
یکی دیگر از ابزارهایی که جدیداً‌ در برخی از کشورهای جهان برای اسکان کم درآمدها متداول شده است. روشی است که به سال ۲۰۰۲ توسط جوی و کابلین در مرکز تحقیقات منزیس پیشنهاد گردید. در این روش بانکها بخشی از خانه‏ را خریداری نموده و به نوعی سهامداران می‏گردند. مابقی مبلغ توسط شخص کم درآمد تماماً از طریق وام و یا بخشی را از آورده خود و بقیه را از وام تهیه نماید. به این ترتیب قشر هدف، درآمد پس اندازه شده احتمالی را می‏تواند در دیگر دارایی‏ها سرمایه‏گذاری و بدینوسیله از قفل نمودن تمام پس انداز خود در مسکن خودداری و از این طریق وضعیت معاش خود را بهبود بخشد. در این مدل، خانوار مدیریت سرمایه‏گذاری را به عهده می‏گیرد (سرمایه گذار نقش مدیریتی ندارد). اوست که تصمیم می‏گیرد چه زمانی، به چه کسی و به چه قیمتی ملک را به فروش رساند. ولی تصمیم می‏گیرد از ملک چگونه نگهداری، بازسازی و استفاده شود. طرف سرمایه‏گذار تنها پس از فروش خانه، سهم خود را مطالبه می‏کند. جالب آنکه در طول مدت طرف سرمایه‏گذار به امید آنکه پس از فروش منزل بتواند سود مناسب را بدست آورد بعضاً از مطالبه اجاره بها نیز صرف نظر می‏کند. سهم سرمایه‏گذار قابل تبدیل به اوراق بهادار و دادوستد در بازار رهن ثانویه می‏باشد. نظر به اینکه سابقه مدل مورد بحث به یکی دو سال اخیر بر می‏گردد ارائه ارزیابی از مدل با توجه به تجارب کم در این خصوص دشوار است(۱۵).
حذف قیمت زمین از قیمت مسکن
در این شیوه افراد مالک بنا می‏شوند و مالک زمین نهادی مشخص و یا شرکتهای ساختمانی است که بابت اجاره زمین سالانه درصدی از مالک مطالبه می‏کند. نمونه تقریباً مشابه آن در کشورمان را می‏توان به منازلی که در زمینهای وقفی بنا شده‏اند، به نحوی که افراد صرفاً مالک بنا می‏شوند اشاره نمود.
از دیگر سیاستهای حمایت از تقاضای مسکن به موارد زیر می‏توان اشاره نمود :
وامهای کم بهره جهت تعمیر خانه
تضمین وام‏ها توسط دولت
وامهای خرید پروژه‏های اجاره به شرط تملیک
بررسی سیاستهای دولت در بخش مسکن
قیمت مسکن تابع قیمت زمین ، مصالح ، دستمزدها ، پروانه‎ها و مجوزهای ساختمانی می‎باشد کاهش یا افزایش هر یک از این عوامل در قیمت مسکن تاثیر‎گذار است دولت با اجرای سیستهای تشویقی همچون ارائه زمین ارزان قیمت حذف برخی از هزینه‎های انبوه‎سازان و اعطای وام کم‎بهره می‎تواند تاثیر بسزائی در کاهش قیمت مسکن داشته باشد یکی از عوامل که منجر به افزایش چشم‎گیر قیمت مسکن می‏‎شود افزایش قیمت زمین است دولت با اجرای سیاستهائی می‎تواند مانع از افزایش قیمت زمین ‎شود به عنوان نمونه در برخی از کشورها دولت برای جلوگیری از افزایش و کنترل قیمت مسکن قیمت زمین را بصورت ثابت نگه می‎دارد دولت‎ها در این کشورها با حذف یا کم‎کردن مالیات به انبوه‎سازان کمک می‎کنند که این خود به نوعی سبب ایجاد تعادل در بازار مسکن می‎شود یکی دیگر از سیاستهای دولت می تواند پرداخت سهم زیادی از قیمت مسکن به صورت وام باشد که باید بهره پرداختی این وام ها با نرخ تک رقمی در نظر گرفته شود در بعضی کشورها دولت حدود ۸۰ تا ۹۰ درصد قیمت مسکن را به صورت وام پرداخت می کند . اگر دولت این کار را در کشور ما نیز انجام دهد کمک شایانی به مسکن دار شدن قشر متوسط جامعه می کند در حال حاضر بعضی از بانکها حدود ۷۰ ، ۸۰ درصد قیمت مسکن را بصورت وام اما با بهره ۲۳ درصد و بیشتر به مردم پرداخت می‏کنند که در این صورت مردم باید مقدار بسیار زیادی سود به بانک پرداخت کنند که در این صورت قیمت مسکن تا دو برابر هم برای فرد تمام می‏شود و تنها تأثیر این گونه وام‏ها با بهره سنگین ایجاد تورم در این بازار می‏باشد(۳).
اتخاذ برخی سیاستهای دولت در بخش ساختمان و تزریق برخی تسهیلات مقطعی در این بخش را شاید بتوان از عوامل دامن زدن تورم در این بخش عنوان کرد. چون اعطای این وام‏ها ممکن است در شهرهای کوچک بر روند خانه دار شدن اقشار جامعه تأثیر بگذارد اما در شهرهای بزرگ نمی‏تواند مفید باشد چرا که تفاوت بین قیمت واقعی مسکن و مبلغ وام بسیار زیاد است(۴).
دولت می‏تواند با توجه به منابع محدود، افراد واقع شده در دهک‏های درآمدی یک و دو را تحت پوشش قرار دهد. گروه های درآمدی دهک سوم و چهارم نیز با بهره گرفتن از تسهیلات بانکی با بهره پایین قادر خواهند بود نیاز مسکن خود را تأمین کنند زیرا افرادی می‏توانند از منابع بانکی استفاده کنند که قدرت بازپرداخت تسهیلات اعطایی را داشته باشند و اقشاری که در رده‏های پایین قرار دارند باید با بهره گرفتن از کمک‏های دولت صاحبخانه شوند(۶).
بالا بودن قیمت زمین و هزینه احداث ساختمان، سرمایه‏گذاران ورود به بخش را چندان اقتصادی نمی‏دانند چون افزایش قیمت مصالح ساختمانی، هزینه تولید را افزایش می‏دهد و باعث افزایش قیمت تمام شده مسکن خواهد شد. لذا انتخاب سیاستهای مناسب برای ارائه مصالح به مصرف کننده واقعی، بازار آزاد و دست سودجویان را قطع خواهد کرد.
نگاهی به طرح جامع مسکن
۲۴ گروه مطالعاتی در سال ۸۳ تصمیم گرفتند سندی را تنظیم کنند که در آن چشم‏انداز بخش مسکن در سالهای آینده را ترسیم کنند. در این چشم‏انداز معنای تغییرات مطلوب، قابل دستیابی و قابل سنجش در وضعیت مسکن خانوارهای ایرانی به همراه راهبردها و راهکارهای دستیابی به این هدفها، تدوین شد. این طرح قرار است در دو مقطع پنج ساله و یک مقطع ۲۰ساله اجرایی شود. براین اساس در مقطع ۲۰ ساله، اصلاحات عمیق و ضروری در بخش مسکن مدنظر است و در مقطع ۱۰ ساله برنامه‏های بخش مسکن بیشتر به صورت عملیاتی مورد توجه قرار خواهد گرفت.
طرح جامع مسکن از آنجا دارای اهمیت است که برای اولین بار در تاریخ ساخت مسکن در کشور شاهد شفاف سازی و برنامه‏ ریزی شده‏ایم. ویژگی این طرح این است که تمام دهک‏های درآمدی خانوارها را در نظر گرفته، اما از آنجا که اطلاع رسانی درست، به موقع و کافی برای آن صورت نگرفته بسیاری از صاحبنظران و کارشناسان از مفاد آن اطلاع لازم، پیدا نکرده و بسیاری از اظهارنظرها درباره این طرح غیرکارشناسی به نظر می‏رسد. از سوی دیگر شاید بزرگترین ایرادی را که می‏توان به این طرح گرفت، این باشد که در هیچ کجای این طرح پیش‏بینی شده است که اگر قیمت مسکن افزایش پیدا کند، این افزایش قیمت چگونه مورد محاسبه قرار می‏گیرد، چرا که وام‏های در نظر گرفته شده یعنی نسبت اندک وام به قیمت مسکن در تهران ۳۰ درصد، شهرهای بزرگ ۳۸ درصد و سایر شهرها ۶۰ درصد در نظر گرفته شده است که با افزایش قیمت مسکن به طور حتم این درصدها دستخوش تغییرات عمده‏ای می‏شود(۶).
در این طرح آمده است که گروه های درآمدی یک تا چهار ۵۰ درصد از کل خانوارهای فاقد مسکن را تشکیل می‏دهند که این رقم در گذشته ۳/۴۳ درصد بوده است. دهک‏های درآمدی پنج تا هفت، ۳۵ درصد که این میزان در گذشته ۸/۳۲ درصد بوده و از دهک‏های درآمدی هشت تا ۱۰، ۱۵ درصد که این میزان در گذشته ۲۰ درصد بوده است.
بررسی این آمارها نشان می‏دهد که به دلیل افزایش قیمت مسکن توان مالی خریداران دهک‏های درآمدی ۸ تا ۱۰ که در واقع جزو گروه های پر درآمد جامعه محسوب می‏شود از تعداد خانوارهای فاقد مسکن آنان کاسته و شکاف طبقاتی میان دهک‏های کم درآمد و پردرآمد جامعه بیش از پیش شده است.
در قسمت برنامه اجرایی تأمین مسکن کم درآمدها پرداخت ۵۰ هزار فقره وام به سازندگان پیش‏بینی شده است که این مسأله را می‏توان یکی از نقاط قوت این طرح دانست، چرا که اگر وزارت مسکن و شهرسازی تعریف درستی از انبوه ساز ارائه دهد با پرداخت وام به انبوه سازان می‏توان نقش مؤثر آنان در خانه دار کردن اقشار کم درآمد را تضمین کرد.
همچنین در این طرح پیش پرداخت ۴۰ هزار فقره وام برای گروه های درآمدی دو و سه پیش‏بینی شده است که به خوبی می‏توان دریافت که بسیاری از این خانوارها توانایی پرداخت اقساط این وام را ندارند و باید شرایط به گونه‏ای طراحی شود که این وام‏ها بلاعوض باشد. در همین حال با تشکیل صندوق اعتبار ملی و محلی تسهیل دریافت یکصد هزار فقره وام از نظام بانکی پیش‏بینی شده است، در حالی که این گروه های درآمدی فاقد مسکن، ۳۴ هزار خانوار هستند که این صندوق کمتر از یک سوم آنان را در برمی‏گیرد.
مدت زمان انتظار متقاضیان خرید مسکن در ایران
براساس ارزیابی بانک جهانی از عملکرد اقتصاد و بخشی سیاستهای عرضه مسکن در ایران، خانوارهای با درآمد متوسط، باید حداقل کل درآمد ۹ سال خود را پس‏انداز کنند تا خانه متوسطی در یکی از شهرهای بزرگ مثل تهران یا تبریز خریداری نمایند. این در حالی است که در استانداردهای جهانی برای سنجش قدرت تهیه مسکن معیاری وجود دارد که براساس آن، به طور متوسط هر خانوار باید ۵ برابر حقوق سالانه خود را بپردازد تا صاحب مسکن شود. در ایران نسبت در سال ۱۳۵۹ حدود ۲/۹ و در سال ۱۳۶۵ حدود ۴/۷ بوده اما در حال حاضر این نسبت برای کل کشور حدود ۹ سال و برای تهران بین ۱۲ الی ۱۵ سال است، یعنی متقاضیان خرید مسکن در تهران باید به طور متوسط کل حقوق ۱۲ تا ۱۵ سال خود را بپردازند تا در این شهر صاحب خانه شوند. همچنین در استانداردهای جهانی متوسط اجاره به درآمد حدود ۱۵ درصد است ولی در ایران بالا بودن این شاخص از کمبود عرضه مسکن استیحاری نسبت به تقاضای موجود بازار حکایت می‎کند(۷).
سیاستهای اسکان مؤثر و کارآمد
به عنوان یک اصل اقتصادی، در بلندمدت قیمتهای مسکن تابع موجودی بلندمدت مسکن می‏باشد، به همین خاطر برای بهبود و هر چه دست یافتنی‏تر ساختن مسکن لازم است جنبه عرضه مسکن به دقت بررسی و تقویت شود. دولتها در این مواقع سعی می‏کنند که جانب عرضه را از طریق ترغیب بخش خصوصی به ساخت مسکن‎های مطابق با الگوی از پیش تعیین شده تقویت نمایند. ممکن است اینگونه به نظر رسد که هرگونه عرضه مسکن منجر به کاهش قیمت می‏شود حال آنکه باید در نظر داشت مسکن یک کالای متجانس نیست، بلکه خانه‏ها به لحاظ کیفیت ساخت و موقعیت مکانی، درجه‏های مختلفی دارد و تنها در صورتی که ساخت و سازهای جدید به لحاظ کیفی و مکانی قابل رقابت با خانه‏های موجود باشند سیاست تقویت عرضه خواهد توانست در تعدیل قیمت و کاستن از قیمت خانه‏های موجود تأثیرگذار باشد. چنانچه هدف صرفاً تأمین سرپناه بوده و کیفیت فدای کمیت شود. عرضه خانه‏های جدید تنها مقاصد خاص را پاسخگو بوده، در عمل به قیمت واحدهای موجود تأثیر نخواهد گذارد. در ضمن باید موضوع را پذیرفت که مسأله شکست بازار در مقوله تأمین مسکن کم درآمدها این نیست که انگیزه‏ای برای تولید مسکن نیست بلکه مشکل آن است که گروه هدف توان خرید خانه‏های موجود را ندارد، لذا باید توجه داشت که در اسکان کم‏درآمدها توجه به جانب تقاضا نسبت به جانب عرضه از اهمیت مضاعف برخوردار است. در اسکان قشر هدف بایستی به این موضوع توجه نمود که سیاستهای موردنظر حالت اسکان موقت و یا یک سیاست مقطعی و تسکین بخش به خود نگیرد. بلکه باید در نظر داشت در عین حالی که خانه‏های تولید شده از نظر کیفی درحدی مطلوب طراحی و ساخته می‏شوند (که مورد پسند سایر اقشار جامعه نیز قرار می‏گیرند) در طراحی و ساخت به گونه‏ای عمل شود که از هزینه‏ های سربار حتی‏المقدور کاسته و خانه‎های متناسب با نیاز اقشار هدف ساخته شوند(۱۰).
آنچه بیش از هر چیز دیگر حتی مهم‏تر از نبود سیاست مدون برای مشکل اسکان را به یک چالش تبدیل کرده است، وجود نرخ‏های ادامه دار تورم دورقمی است. قطعاً حرکت به سمت ثبات اقتصادی در ایجاد انتظار کاهش نرخ تورم از یک سو و بهبود وضعیت درآمدی افراد از سوی دیگر مهمترین اقدامی است که درخصوص اقتصاد و به طور اخص به منظور سامان بخشی به وضعیت توزیع درآمدی و اسکان بایستی صورت پذیرد. همانگونه که تجربه نیز نشان داده است وام دهندگان (و اقشار کم درآمد به واسطه ناتوانی در باز پرداخت وامهای رهنی) در یک شرایط نااطمینان و بی‏ثبات اقتصادی با طیب خاطر نسبت به استفاده از ابزارهای وام بلندمدت تمایلی ندارند(۱۱).

سابقه دستور زبان سنتی؛ طرح ساده‌ای از دستورنویسی؛ دستور زبان‌های “نوین”؛ پنج اصل مشترک میان انواع سه‌گانه زبان‌های “نوین”؛ مقایسه دستور سنتی با دستورهای “نوین”.

• • ــــــ . “ویژگی‌های اصوات همگونه در اشعار خواجو”. کیهان فرهنگی (یادواره خواجو). س۸‌ . ش۵. پیاپی ۷۷. آبان ۱۳۷۰، ص۳۶ـ۳۹.

شکل صوری همگونه؛ همگونگی کامل و همگونگی ناقص؛ عنصر مشترک مجموعه‌های همگونه؛ توزیع همگونه‌ها در بیست آرایش فراوانی اقلام همگونه.

• • وثوقی، محمدباقر. “دستور زبان لارستانی برمبنای گویش خنجی” [نقد اثر لطف‌علی خنجی]. کتاب ماه، ادبیات و فلسفه. س۴. ش۸ . پیاپی ۸ . خرداد ۱۳۸۰، ص۶۲ـ۶۵.

• • وثوقی، ناصر. “دستور زبان عامیانه” [نقد اثر تقی وحیدیان کامیار]. اندیشه و هنر. دوره ۵. ش۷. مهر ۱۳۴۴، ۹۵۷ـ۹۶۰.

• • ــــــ . “زبان فارسی: پارسی در چامه «بامدادی»” [ویژگی‌های دستوری شعر احمد شاملو متخلص به ا. بامداد]. اندیشه و هنر. دوره ۵. ش۱۰. مرداد ۱۳۴۶، ص۱۵۱۷ـ۱۵۲۷.

آیا زبان فارسی از شعر “بامدادی” توشه‌ای گرفته است.

• • وجدانی، فریده. “ترکی در فارسی”. رشد آموزش زبان و ادب فارسی. س۱۶. ش۶۳. ۱۳۸۱، ص۳۸ـ۴۲.

۱ـ گرته‌برداری دستوری ۲ـ گرته‌برداری از واژه‌ها و ترکیب‌ها ۳ـ گرته‌برداری از ترکیب‌های کنایی.

• • وحید دستگردی، حسن. “دال ـ ذال”. ارمغان. دوره ۹. ش۵ـ۶. مرداد ـ شهریور ۱۳۰۷، ص۲۷۲ـ۲۸۱؛ نیز: ارمغان. س۲۷. ش۸ . آبان ۱۳۳۷، ص ۳۳۷ـ۳۴۶.

توضیح و تشریح قاعده دال و ذال و سخنان اساتید در این باب؛ زمان ظهور و دوره نسخ این قاعده؛ آیا امروز الغاء و نسخ این قاعده واجب است یا نه؟.

• • ــــــ . “واو و یاء”. ارمغان. س۹. ش۷. آبان ۱۳۰۷، ص۳۸۵ـ۳۹۵.

تعریف؛ تقسیم؛ شعری از کتاب “سرگذشت اردشیر” راجع به الغای قاعده دال و ذال معروف و مجهول.

• • وحیدزاده، محمود [نسیم]. “دستور زبان فارسی” [بحثی درباره کلیات دستور زبان فارسی]. ارمغان. س۳۴. ش۶. شهریور ۱۳۴۴، ص۲۴۱ـ۲۴۳.

طریقه دستورنویسی در روزگار باستان؛ نخستین کتاب مستقل دستور زبان فارسی؛ اشکال نویسندگان دستور زبان فارسی معاصر.

• • وحیدیان، تقی [وحیدیان کامیار]. حرف‌های تازه در ادب فارسی: “آهنگ (intonation) زبان فارسی و معانی عاطفی”. اهواز: جهاد دانشگاهی دانشگاه چمران، ۱۳۷۰، ص۱۸۹ـ۲۰۰.

تقسیم‌بندی واحد آهنگین؛فهرست شش غلت مختلف یک واژه تک‌هجایی فارسی؛ معانی طرح‌های آهنگین.

• • ــــــ . در قلمرو ادبیات فارسی: “بررسی تشدید از دید علمی و حل یک مشکل املایی”. مشهد: محقق، ۱۳۷۶، ص۲۹۳ـ۳۰۳؛ نیز: رشد ادب فارسی. س۷. تابستان ـ پاییز ۱۳۷۱، ص؟.*

آیا تشدید در فارسی اصلی است؟؛ سه نقش از تشدید؛ تشدید در شعر.

• • ــــــ . در قلمرو زبان و ادبیات فارسی:”بررسی صفت مفعولی واهمیت آن در زبان فارسی”. مشهد: محقق، ۱۳۷۶، ص۲۶۹ـ۲۸۲؛ نیز: زبان شناسی. س۹. ش۲. پیاپی ۱۸. پاییز ـ زمستان ۱۳۷۱، ص۶۱ـ۶۹.

کاربرد صفت مفعولی در ساخت شش زمان؛ کاربرد صفت مفعولی در ساخت فعل مجهول؛ گونه‌های صفت مفعولی؛ فهرستی از صفت‌های مفعولی این گونه‌ها؛ بررسی زمان‌های افعالی که صفت مفعولی آنها کاربرد صفتی ندارد؛ آیا در زمان ماضی فعل مجهول وجود ندارد؟.

• • ــــــ . “«تکرار» در زبان خبر و «تکرار» در زبان عاطفی”. مجله دانشکده ادبیات و علوم انسانی دانشگاه فردوسی مشهد (یادنامه احمدعلی رجایی بخارایی). س۲۶. ش۳ـ۴. پیاپی ۱۰۲ـ۱۰۳. پاییز ـ زمستان ۱۳۷۲، ص۱۰۸۵ـ۱۱۲۴.

الف ـ تکرار در زبان خبری ب ـ تکرار در زبان عاطفی؛ انواع تکرار.

• • ــــــ . حرف‌های تازه در ادب فارسی: “جمله‌های شرطی در زبان فارسی”. اهواز: جهاد دانشگاهی دانشگاه چمران، ۱۳۷۰، ص۱۷۳ـ۱۸۸؛ نیز: زبان شناسی. س۲. ش۲. پیاپی ۴. پاییز ـ زمستان ۱۳۶۴، ص۴۳ـ۵۶.

الف ـ وجه شرطی ب ـ هدف شرط پ ـ حذف حرف شرط ت ـ آهنگ در جمله‌های شرطی.

• • ــــــ . “در زبان فارسی فعل مرکب نیست”، در کنگره تحقیقات ایرانی (مشهد، ۱۱ـ۱۶ شهریورماه ۱۳۵۰)، مجموعه خطابه‌های دومین کنگره تحقیقات ایرانی. به کوشش حمید زرین‌کوب. مشهد: دانشگاه مشهد، ۱۳۵۱، ج۱، ص۲۶۴ـ۲۶۸.

سه ملاک برای تشخیص مرکب یا بسیط.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جمع آوری اطلاعات وسایل الکتریکی فروخته شده درسالهای گذشته و فعلی
پیش بینی پتانسیل وسایل الکتریکی جدید
پیش بینی رشد جمعیت
تعیین کیلووات مصرفی هر وسیله
پیش بینی راندمان وسایل الکتریکی
پیش بینی بار کل منطقه از روی بار برآوردشده برای منطقه

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۴-۵) روش کاربری ارضی
اصول کلی این روش مبتنی برجمع آوری اطلاعات مورد نیاز ازسطح هر منطقه از شهرمی باشد. دراین روش بعد از تقسیم بندی نواحی، پیش بینی براساس میزان مصرف،متوسط نوع مصرف و همچنین چگالی بار مصرفی صورت خواهد پذیرفت.
معمولا در هر ناحیه کاربری های متفاوتی وجود دارد که با توجه به نوع این کاربریها ومساحت اشغالی آنها پیش بینی باربرای نواحی انجام میشود. مراحل کار بدین صورت می باشد که ابتدا درهرناحیه کوچک انواع کاربری هاومساحت آنها مشخص می شودکه البته انجام همین عمل بسیار زمان برمی باشد،سپس پیش بینی بار برای هرکدام ازاین نواحی کوچک بدست می آید.دراین مرحله با بهره گرفتن از روش های مختلف می توان پیش بینی بار را انجام دادکه باتوجه به نوع روش بکاربرده شده،روش کاربری ارضی می تواند به شاخه های مختلفی تقسیم شود.
پارامترهایی که در پیش بینی بار روش کاربری ارضی باید مورد توجه قرار گیرند عبارتنداز:
چگالی بار
رشد بار
تقسیم بندی نواحی
به طورکلی با توجه به نوع اطلاعات در روش کاربری ارضی مانند طرحهای شهرسازی وعمرانی،این روش بیشتر برای پیش بینی بلند مدت بکارمی رود و کمتر در دوره های میان مدت وکوتاه مدت کاربرد خواهد داشت. نتایج حاصله از برآورد بار بااستفاده ازاین روش می تواند در طراحی شبکه های توزیع درسطح یک شهر یا منطقه درسالهای آینده بسیارمفیدباشد.امروزه استفادهازاین روش باتوجه به رشد دانش شهرسازی وهمچنین افزایش دقت دربرآوردهای اقتصادی، به طور روز افزون رو به افزایش است.
در سال های اخیر کاربرد روش های مدرن هوش مصنوعی نظیر شبکه های عصبی و سیستم های خبره فازی به منظور پیش بینی بار بسیار مور توجه قرار گرفته است.
۲-۴-۶) روش عصبی
بلوک ساختمانی اصلی کلیه مغزهای موجودات زنده، سلولی عصبی یا نرون می باشند هر نرون به صورت یک واحد پردازشگر عمل می کند در واقع مغز مجموعه ای است از چندین میلیون از این واحدهای پردازشگر که به صورت بسیار پیچیده ای به هم مرتطبتند و به صورت موازی عمل می کنند. در مغز هر نرون مقادیر ورودی را از دیگر نرونها می گیرد به تابع انتقال اعمال می کند و خروجی اش را به لایه بعدی از نرونها می فرستد. این نرونها به نوبت خروجی ها را به دیگر لایه ها می فرستند. به روش مشابه شبکه های عصبی مصنوعی از چند صد یا چندین هزار واحد پردازشگر ساده تشکیل شده اند که به صورت موازی به هم مرتبطبند و در چندین لایه به دنبال هم هستند.
یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که مشخصات کاری آن مشابه شبکه های عصبی طبیعی است شبکه های عصبی مصنوعی بر اساس تعمیم مدل ریاضی نرونهای طبیعی بر اساس فرضیات زیر بوجود آمده اند.
پردازش اطلاعات در عناصر کوچک وساده ای به نام نرون صورت می گیرد.
سیگنال های از طریق خطوط ارتباطی بین نرونها عبور می کند.
هر خط ارتباطی دارای وزنی مشخص است که در یک شبکه عصبی نوعی در سیگنال عبوری ضرب می شود.
هرنرون یک تابع فعالیت دارد که آن را به مجموع ورودیها اعمال می کند ( که معمولا غیر خطی است ) تا سیگنال خروجی اش را مشخص می کند.
هر شبکه عصبی توسط این سه پارامتر مشخص می شود:
نحوه اتصال بین نرونها ( که معماری شبکه نامیده می شود.)
روش تعیین وزنهای اتصالات ( که الگوریتم آموزشی یا یادگیری گفته می شود. )
تابع فعالیت
دسته بندی شبکه های عصبی
شبکه های عصبی را می توان به دو دسته کلی زیر تقسیم کرد:
شبکه های عصبی با یادگیر با ناظر ( پرسپترون )
شبکه های عصبی با یادگیر بدون ناظر ( کوهنن)
گرچه هنوز بیش از ۵۰ سال از تولد روش های محاسباتی مبتنی بر شبکه های عصبی مصنوعی نمی گذرد، لکن این شبکه ها به دلیل ویژگی هایی همچون پردازش موازی، هوشمندی و انعطاف پذیری جایگاه چشمگیری در مسائل پیچیده از قبیل شناخت الگو، خوشه بندی، مدلسازی، تخمین و شناسایی و پیش بینی برای خود باز کرده است.
شبکه عصبی در کاربرد از جهاتی همانند یک ذهن زنده عمل می کند. به این معنا که از مشاهدات انتزاعی هود به قضاوت می پردازد. لذا، شبکه عصبی مدتی را صرف آموزش کرده و سپس به صورت عملیاتی به کار گرفته می شود.
در آموزش شبکه عصبی، هر چه مشاهدات گمراه کننده بوده و با آنچه انتزاع شده است، صحیح تر خواهد بود. البته، این احتمال وجود دارد که برخی مشاهدات گمراه کننده بوده و با روش کلی مشاهدات هماهنگ نباشد. بنابریان، آنچه که به عنوان نمونه های آموزشی در اختیار شبکه عصبی قرار می گیرد، تا حد امکان باید پالایش شده و همسان باشند. شبکه عصبی، آنچه را مشاهده می کند در قالب پارامترهای درونی خود به خاطر می سپارد. در واقع، تکرار هر یک از مشاهدات موجب تغییرات پارامترهای درونی شبکه در جهت حفظ روابط حاکم بر مشاهدات است. آنچه در ذهن شبکه عصبی نگهداری می شود، نه تک تک مشاهدات بلکه روش و برداشت کلی از مشاهدات است. به همین دلیل است که بعضاً شبکه عصبی در رویارویی مجدد با نمونه های آموزشی، چه بسا همراه با خطای قابل اغماضی عکس العمل نشان دهد، اما، این استواری و ثبات در عمل را دارد که در برخورد با عموم نمونه های مشابه، عملکردی مناسب و همراه با خطای قابل اغماض داشته باشد.
مشاهدات یا همان نمونه های آموزشی شبکه عصبی، می تواند همراه با یک پیش قضاوت اولیه و یا بدون قضاوت اولیه باشد. به عبارتی، آموزش شبکه عصبی می تواند همراه با معلم و یا بدون معلم باشد. در آموزش همراه با معلم آنچه به شبکه به عنوان مجموعه آموزشی، آموزش داده می شود، همراه با قضاوتی است که معلم انتظار دارد، لذا، نمونه ها همراه با قضاوت از پیش تعیین شده اموزش داده می شود تا در آینده شبکه در صورت برخورد با نمونه های جدید با توجه به روالی که آموزشی دیده است، عمل کند. در مواردی نیز، نمونه بدون قضاوت اولیه در اختیار شبکه عصبی قرار می گیرد تا خود با مشاهدات پیاپی به دسته بندی و نهایتاً انتزاع کلی از آنها اقدام کند.
شبکه عصبی، از خصوصیات درونی برخوردار است که این خصوصیات نشان دهنده استعداد و گنجایش آن است. همان گونه که یک ذهن زنده در برخی موارد بسیار مستعد، پیشرو و موفق و در برخی موارد، بسیار کند و ناموفق عمل می کند. در ابعاد تنزل یافته، شبکه عصبی نیز بسته به ساختار درونیش در برخورد با مسائل مختلف، عملکرد متفاوتی دارد. یک شبکه عصبی چه بسا در حل یک مسئله بسیار خوب و در حل مسئله ای دیگر بسیار بد عمل کند. لذا، انتخاب ساختار شبکه، متناسب با موضوع مسئله از اهمیت بسیار بالایی برخوردار است.
همانگونه که شرایط و موقعیت نیز در نتیجه آموزش تاثیرگذار است، میزان یادگیری شبکه عصبی نیز به شدت از شرایط اولیه آغاز آموزش شبکه تاثیر می پذیرد. انتخاب مناسب مقادیر اولیه پارامترهای شبکه در نتیجه آموزش آن، بسیار موثر خواهد بود.
یک شبکه عصبی پس از مدتی کاربرد، نیاز به آموزشهای مجدد برای تعمیق و گسترش دانایی خود دارد. آموزش چنانچه شامل نمونه های جدید و یا نمونه هایی که قبلاً خوب آموزش داده نشده است باشد، بسیار موثر خواهد بود.
شبکه های عصبی از جنبه های توپولوژی، ساختاری و روشهاییادگیری به انواع مختلفی تقسیم می شوند و هر یک در کاربردهای خاصی عملکرد مناسبی از خود نشان می دهند. شبکه عصبی چند لایه پرسپترون با روش یادگیری انتشار وارون یکی از متداول ترین شبکه های کاربردی است، در مباحث نظری اثبات شده که شبکه MLP در صورت انتخاب صحیح ساختار مناسب داخلی، قادر است هر گونه سیستم غیر خطی را مدل کرده و شبیه سازی کند.
ساختار شبکه عصبی شامل تعدادی پرسپترون با تابع عملکردی مشخص است که در لایه های مجزا قرار دارند. هر پرسپترون، به واسطه ضرایب وزنی خود، خروجی تمامی پرسپترون های لایه قبلی را تجمیع کرده و از طریق تابع عملکردی به لایه بعدی ارسال می کند. شبکه عصبی داراییک لایه ورودی، یک لایه خروجی و حداقل یک لایه پنهانی است، تعداد پرسپترون در هر لایه متفاوت و بستگی به ساختار شبکه و مسئله دارد.
الگوریتم های محاسبات یادگیری انتشار وارون (Back Propagation) بسیار متنوع و با نتایج و عملکردهای متفاوت هستند. در ساده ترین الگوریتم، ضرایب وزنی شبکه در جهت حداقل کردن تابع هدف شبکه (که گرادیان خطای قضاوت خروجی شبکه است) تغییر می کنند. لذا، در هر مرحله آموزش ضرایب وزنی به قرار زیر تغییر مییابد.

(۱۸-۲)

W_k بردار ضرایب وزنی شبکه،g_k گرادیان خطای خروجی شبکه و a_k ضریب یادگیری شبکه است. این روش، که به اصطلاح الگوریتم کاهش گرادیان نامیده می شود، به دو صورت افزایشی و یا بسته ای قابل پیاده سازی است. در حالت افزایشی، گرادیان خطا پس از هر بار مشاهده یکی از نمونه های آموزشی محاسبه و ضرایب وزنی بهبود داده می وشد. در حالت بسته ای، این کار پس از مشاهده یک دوره کامل نمونه های آموزشی و محاسبه گرادیان کل انجام می گیرد. در اکثر موارد، روش افزایشی عملکرد بهتری نسبت به روش بسته ای دارد.

برای از بین بردن این بیش برازش، باید ورودی‌های شبکه عصبی را کاهش داد. به عبارتی باید اجازه بیش برازش را به شبکه‌های عصبی نداد. در این مقاله برای این کاهش تعداد متغیرها از داده کاوی استفاده شده است. داده کاوی علم کاوش داده‌ها جهت کشف دانش است. علم داده کاوی با ارائه راهکارهای مختلف، اولین رکن استفاده از داده‌ها جهت کشف دانش را حذف داده‌های اضافی و شاخ و برگ‌های غیر ضروری می‌داند و لذا در این مقاله از چند تکنیک داده کاوی که در ادامه شرح داده خواهد شد استفاده گردیده است. همچنین، همانگونه که ذکر شد، مدل‌هایی که برای پیش بینی‌های کوتاه مدت مورد استفاده قرار می‌گیرند، مدل ‌های سری زمانی و تحلیل‌های تکنیکال می‌باشند. از آنجا که ما قصد پیش بینی قیمت بسته شدن سهام را به صورت روزانه داریم نیز، با تلفیق این دو مدل، با بهره گرفتن از اندیکاتورهای تحلیل تکنیکال و قیمت‌های روزهای قبل به پیش بینی می‌پردازیم.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

قسمت دوم این مقاله به تحقیقات مشابه، قسمت سوم به تعریف فرایند و روش انجام تحقیق، قسمت چهارم به نتایج تحقیق، قسمت پنجم نتیجه گیری و قسمت ششم به منابع تخصیص یافته است.

۱-۴- پژوهش‌های مشابه

لو و همکاران^[۹] (۲۰۱۴) پس از بررسی دلایل بیش برازش^[۱۰] و تعمیم نامناسب شبکه‌های عصبی^[۱۱]، با اعمال تغییراتی در شبکه عصبی و به کار بردن کلاسی از تأخیر سازنده RBF^[12] شبکه‌های عصبی؛ موفق شده است که شبکه عصبی با دقت بیشتر و البته تعداد نرون های^[۱۳] کمتر در لایه پنهان^[۱۴] شبکه عصبی ساخته و نتایج آن را در دنیای واقعی امتحان کرده است.
لاهمیری^[۱۵] (۲۰۱۳) با به کاربردن تبدیلات گسسته ویولت (SWT)^[16] و تقسیم سری زمانی^[۱۷] قیمتی به دو بخش ماژور^[۱۸] و مینور^[۱۹]، نتیجه می‌گیرد که بخش ماژور در واقع دارای فراوانی و پراکندگی پایین تری بوده و برای پیش بینی روند بلند مدت قیمت سهام مناسب است. وی پس از تبدیلات مذکور، با بهره گرفتن از شبکه‌های عصبی بازخور برگشتی^[۲۰]، به پیش بینی قیمت سهام پرداخته و با بررسی تئوری خود در ۱۵ پایگاه داده^[۲۱]، نتیجه می‌گیرد که الگوریتم پیشنهادی وی از مدلهای ARMA ^[۲۲]و RW^[23] عملکرد بهتری دارد.
تیکنور^[۲۴] (۲۰۱۳) با در نظر گرفتن قیمت‌های روزانه و اندیکاتورهای^[۲۵] تحلیل تکنیکال^[۲۶] به عنوان ورودی شبکه عصبی، قیمت بسته شدن^[۲۷] روز بعد را پیش بینی می‌کند. وی با بیان پیچیدگی‌های موجود در روند^[۲۸] تغییرات قیمت سهام و مشکلات پیش بینی آن، برای جلوگیری از بیش برازش و بیش آموزش^[۲۹] پیشنهاد می‌کند که شبکه عصبی توسط الگوریتم بیزین^[۳۰] کنترل شده^[۳۱] و برای مدل‌های با پیچیدگی بالا جریمه هایی^[۳۲] تعیین گردد تا از بیش برازش و بیش آموزش جلوگیری شود. وی صحت ادعای خود را در سهام‌های مایکروسافت^[۳۳] و گلدمن^[۳۴] به بوته آزمایش می‌گذارد.
بیسون^[۳۵] (۲۰۱۴) با بیان این مسئله که سرمایه گذاری در بازار سهام، به دلیل بازده خوب آن همواره مورد توجه سرمایه گذاران بوده است؛ کسب بازده و سود مناسب در این بازار را منوط به دانستن و پیش بینی کردن نقاط بازگشت^[۳۶] قیمت می‌دانند. لذا پیش بینی قیمت سهام در روزهای آینده را مهمترین امر در راه رسیدن به این مهم می داند. وی با بهره گرفتن از فیلتر کلمن^[۳۷]، داده ها را پیش پردازش کرده و با شبکه‌های عصبی دینامیک^[۳۸] به پیش بینی قیمت می پردازد. وی برای اثبات کارایی مدل پیشنهادی، چهار سهم از بازار سهام هند؛ بمبئی^[۳۹] را انتخاب و بررسی کرده است.
الیویرا^[۴۰] (۲۰۱۳) با مهم دانستن این مسئله که پیش بینی جهت تغییر قیمت سهام سهم به سزایی در تنظیم سیاست‌های^[۴۱] معامله گران دارد، پیشنهاد می‌کند که با بهره گرفتن از داده‌های تاریخی^[۴۲] در مدل‌های ریاضی^[۴۳] می‌توان به صحت و دقت خوبی در پیش بینی رسید. وی با بیان این مسئله که سه نوع تحلیل سری زمانی، تکنیکال و فاندمنتال^[۴۴] برای تحلیل داده های تاریخی به کار گرفته می شوند، شبکه عصبی طراحی می‌کند که داده‌های ورودی آن، از ورودی های هر سه تحلیل ذکر شده می‌باشد. در واقع وی هر سه تحلیل را با هم یکی کرده و از قابلیت های هر کدام استفاده می‌کند. همچنین پیشنهاد می‌کند که استفاده محض از تمام داده‌ها باعث بیش برازش و پایین آمدن دقت شبکه می‌شود و لذا با بهره گرفتن از تکنیک های متعدد داده کاوی، داده ها را پیش پردازش^[۴۵] می‌کند. وی صحت گفته‌های خود را در بازار سهام برزیل تأیید می‌کند.
کارا و همکاران^[۴۶] (۲۰۱۱) با بیان این مسئله که پیش بینی جهت تغییرات قیمت سهام امری چالش برانگیز^[۴۷] و در صورت صحت بسیار پر سود است، بسط مدل‌های ریاضی برای این مهم را به دلیل پیچیدگی‌های ذاتی بازار سهام بسیار مشکل می‌داند. وی با بهره گرفتن از اندیکاتورهای تحلیل تکنیکال به عنوان ورودی، کارکرد و نتایج عملکرد دو الگوریتم دسته بندی شبکه های عصبی و ماشین های بردار پشتیبان^[۴۸] را بررسی کرده و با مقایسه نتایج، کارکرد شبکه های عصبی را بهتر و مفید تر می‌یابد.
جاسمی و همکاران^[۴۹] (۲۰۱۱) شبکه‌های عصبی را به همراه تحلیل تکنیکال و نمودارهای شمعی ژاپنی^[۵۰] به کار می برد، وی در پژوهشی به جای اینکه با شبکه‌های عصبی قیمت و یا اندیکاتورها را پیش بینی کند، در صدد پیش بینی و برازش یک مدل رگرسیون^[۵۱] می‌باشد که متغیرهای مستقل آن، اندیکاتورهای تکنیکی و متغیر مستقل آن روند کوتاه مدت قیمت است. اندیکاتورهای تکنیکی توسط دو روش داده‌های خام^[۵۲] و تحلیل تکنیکال به ترتیب به تعداد پانزده و بیست و چهار عدد تعریف شده‌اند. در نهایت با آزمایش بر روی داده‌های حاضر در یاهو فایننس^[۵۳] به این نتیجه می‌رسد که نتایج پیش بینی به این روش بسیار کارآمدتر از متدهای کلاسیک است.
چانگ^[۵۴] (۲۰۱۲) با ارائه مدل جدیدی از شبکه‌های عصبی تحت عنوان شبکه عصبی نیمه متصل^[۵۵] به پیش بینی قیمت سهام به وسیله اندیکاتورهای تکنیکال می‌پردازد. این شبکه جدید، از نظر تابع فعال سازی^[۵۶]، تعداد لایه‌ها و اتصال نرون‌ها با شبکه های عصبی معمول تفاوت دارد. نخست اینکه اتصال داشتن یا نداشتن دو نرون با هم تصادفی تعیین می‌گردد. تفاوت دوم در تصادفی بودن تعداد لایه ها نیز می‌باشد و سرانجام تابع فعال سازی نیز به جای سیگموید^[۵۷]، تابع سینوسی^[۵۸] انتخاب می‌گردد. وی برای اثبات کارآمدی الگوریتم پیشنهادی، آن را از سه نظر امتحان می‌کند. اوّل دقت پیش بینی آن را یعنی تفاوت مقادیر پیش بینی شده و مقادیر واقعی سنجیده، سپس از نظر بیش برازش با مدل‌های معمولی شبکه عصبی مقایسه کرده و در نهایت عملکرد آن را با سایر الگوریتم‌های رقیب مقایسه کرده است.
لو^[۵۹] (۲۰۱۰) با این مقدمه که پیش بینی قیمت سهام و اساسا پیش بینی در تمام بازارهای مالی کاری سخت و چالش برانگیز است، استدلال می‌کند که این امر به دلیل وجود اغتشاش^[۶۰] فراوان در میان داده‌های پیش بینی کننده است. وی پیشنهاد می‌کند که با به کار بردن آنالیز متغیر مستقل یکپارچه^[۶۱]؛ در ابتدا باید در میان داده‌های پیش بینی کننده آنهایی که مستقل هستند را یافته، اغتشاش موجود در آنها را از بین برده و پس از آن ورودی ها را به منظور پیش بینی قیمت به شبکه عصبی داد. وی برای اثبات مدعای خود دو شاخص بازار بورس تایلند^[۶۲] و نیکی^[۶۳] را انتخاب کرده و با مقایسه عملکرد الگوریتم پیشنهادی با اغتشاش زدایی توسط امواج ویولت و سپس به کار بردن شبکه‌های عصبی بازخور بازگشتی و همچنین با شبکه‌های عصبی معمولی بدون فیلترینگ و همچنین قدم زدن تصادفی؛ الگوریتم پیشنهادی را کارا می‌یابد.
وانگ و همکاران^[۶۴] (۲۰۱۱) نیز اظهار می‌دارد که پیش بینی قیمت سهام به دلیل بالا بودن تعداد متغیرهای مستقل امری مشکل و چالشی است. وی پیشنهاد می‌کند در ابتدا توسط الگوریتم^[۶۵] WDBP با بهره گرفتن از ویولت اغتشاشات موجود میان داده ها از بین رفته و توسط شبکه‌های عصبی پس خور بازگشتی، پیش بینی انجام گیرد. همچنین برای اثبات الگوریتم پیشنهادی خود، آن را در بازار شانگهای^[۶۶] به بوته آزمایش گذاشته و عملکرد بهتر الگوریتم پیشنهادی را نسبت به شبکه عصبی پس خور بازگشتی تصدیق می کند.

۱-۵- ضرورت انجام تحقیق و اهمیت تحقیق

همانگونه که پیش‌تر و در ادبیات موضوعی دیده شد، پیش بینی قیمت بالا و قیمت پایین برای یک دوره جلوتر، پیش از این انجام نشده است و خلاء وجود مدلی برای پیش بینی که به طور عملی قابل استفاده باشد، احساس می شود. پیش از این، در پژوهش های مشابه، تنها قیمت بسته شدن پیش بینی می شده است و این در حالی است که پیش بینی کننده سهم، ممکن است مالک سهام نباشد. در این حالت، پیش بینی کننده توانایی عملی برای استفاده از مدل را ندارد. دلیل این امر این است که وی احتمالا مجبور است، سهام را با همان قیمتی که پیش بینی می کند، خریداری کند. لذا در این پژوهش، به پیش بینی دو قیمت بالا و پایین پرداخته شده و توسط آن، پیش بینی کننده این فرصت را دارد که در قیمت پایین سهام را خریداری کرده و در قیمت بالا آن را بفروشد.

۱-۶- اهداف تحقیق

اهداف اصلی این پژوهش عبارتند از :

• • شناسایی مؤثرترین اندیکاتورهای تحلیل تکنیکال برای پیش بینی قیمت سهام مورد نظر

• • داده کاوی سری های زمانی برای تشخیص شبیه ترین سری زمانی به سری زمانی هدف، جهت پیش‌بینی تغییرات آینده سهام هدف، با بهره گرفتن از تغییرات گذشته قیمت سهم مشابه

• • طراحی و ساخت شبکه عصبی برای پیش بینی قیمت‌های بالا و پایین سهام مورد نظر

۱-۷- ساختار تحقیق

در ادامه این پژوهش و در فصل دوم، به معرفی شبکه های عصبی و انواع آن، داده کاوی و نقش آن در پیش پردازش داده ها و داده کاوی سری‌های زمانی و اندیکاتورهای تحلیل تکنیکال می‌پردازیم. در فصل سوم به بیان روش تحقیق انجام شده با جزئیات کامل، شامل مراحل سه گانه پیش پردازش و ساخت اطلاعات و ابزارهای به کارگرفته شده در هر مرحله، معماری شبکه عصبی و الگوریتم‌های فعال سازی و همچنین الگوریتم‌های رقیب خواهیم پرداخت. در فصل چهارم، نتایج عملی به دست آمده از داده کاوی سری‌های زمانی و ساخت شبکه عصبی، به تفصیل توضیح داده می‌شود و نتایج به دست آمده، با نتایج الگوریتم‌های رقیب مقایسه می گردد. در انتها و در فصل پنجم، به بررسی نتایج و پیشنهادات برای تحقیقات آتی خواهیم پرداخت

فصل دوم

ادبیات تحقیق

۲-۱- مقدمه

بازارهای مالی به دلیل خصوصیات منحصر به فردی نظیر عدم نیاز به سرمایه کلان، سادگی و کم هزینه بودن معاملاتشان و عدم وجود ریسک نکول^[۶۷]، در عصر اخیر به یکی از پرطرفدارترین حوزه‌های سرمایه گذاری تبدیل شده‌اند. حکومت‌ها و دولت‌ها نیز به این دلیل که می‌توانند با گرد هم آوردن سرمایه‌های اندک و سرمایه های کلان، بودجه‌های عظیمی برای امور کشوری فراهم کنند، همواره به گسترش این بازارها کمک کرده و با تصویب قوانین متعددی از جمله معافیت‌های مالیاتی در تلاش برای کشاندن پس اندازهای مردم به این بازارها بوده اند. به دلیل همین خصوصیات، حجم عظیمی از سرمایه گذاران به این حوزه وارد شده و این بازارها با سرعت چشمگیری نیز در حال رشد هستند. این حجم زیاد سرمایه گذاران، برای کسب سود از این بازارها وارد آن شده و لذا همواره به دنبال راه‌هایی برای افزایش دامنه سود خود بوده اند. این مسئله باعث شده است که سرمایه گذاران همواره به دنبال پیش بینی اتفاقات آینده و قیمت ها در بازار بوده و از این طریق کسب سود کنند؛ به همین دلیل است که همزمان با رشد این بازارها، مدل های بسیار متنوعی برای پیش بینی بوجود آمده و در حال گسترش نیز هستند. به طور کلی شاید بتوان سرمایه گذاران را به دو دسته تقسیم کرد، آنها که به مدل کارایی بازار سرمایه اعتقاد داشته و به پیش بینی این بازارها معتقد نیستند؛ و آنهایی که به روش های مختلفی به پیش بینی در این بازارها می پردازند. در مورد نظریه کارایی بازار در ادامه به تفسیر سخن گفته خواهد شد و لذا در ادامه به مرور روش های متنوعی که برای پیش بینی قیمت سهام بوجود آمده و به کار گرفته شده اند خواهیم پرداخت. به صورت کلی می‌توان گفت که تلاش برای پیش بینی بازارهای مالی در سه حوزه اتفاق افتاده است، حوزه اول به بررسی ساختار بازار، سهام موجود در آن و صنایع پرداخته و با شناسایی ویژگی های خاص این بازارها به تشخیص و معرفی صنایع و یا سهام برتر پرداخته و سرمایه گذاران را از این طریق یاری می‌کنند. حوزه دوم به ایجاد یک مدل برای استراتژی‌های سرمایه گذاری پرداخته و سعی دارند با شناسایی نقاط خرید و فروش سهام، کاری کنند که سرمایه گذاران در کمترین قیمت خرید و در بیشترین قیمت اقدام به فروش نمایند. حوزه سوم اما به پیش بینی قیمت سهام می‌پردازند، جایی که بیشترین گستردگی استفاده از الگوریتم‌ها و مدل‌های مختلف در آن وجود دارد. این حوزه را می‌توان به صورت کلی در سه بخش یا سه دیدگاه دید؛ تحلیل تکنیکال^[۶۸]، تحلیل بنیادین^[۶۹] و تحلیل با مدل‌های هوش مصنوعی^[۷۰]. در ادامه به توضیح مختصری در مورد هر یک از این دیدگاه ها خواهیم پرداخت.

۲-۱-۱- تحلیل تکنیکی

روشی برای پیش‌بینی قیمت‌ها در بازار از طریق مطالعه وضعیت گذشته بازار است. در این تحلیل از طریق بررسی تغییرات و نوسان‌های قیمت‌ها و حجم معاملات و عرضه و تقاضا می‌توان وضعیت قیمت‌ها در آینده را پیش‌بینی کرد. این روش تحلیل در بازار ارزهای خارجی، بازارهای بورس اوراق بهادار و بازار طلا و دیگر فلزات گران‌بها کاربرد گسترده‌ای دارد.
این نوع تحلیل با بهره گرفتن از مطالعه رفتار و حرکات قیمت و حجم سهام در گذشته و تعیین قیمت و روند آینده سهم صورت می‌پذیرد. تغییرات قیمت سهم با بهره گرفتن از پیشینه تاریخی و نمودار توسط تحلیل گر تکنیکی مورد تجزیه و تحلیل قرار می‌گیرد. این روش بیشتر مورد استفاده سفته‌بازان قرار می‌گیرد و بدین صورت قصد دارند تا بازده مورد نظر خود را در هنگام بالا رفتن قیمت سهم افزایش دهند. در واقع سرمایه گذاران با دیدگاه کوتاه مدت از این روش بهره می‌جویند.
تحلیل تکنیکی (فنی)، با آزمون قیمت‌های گذشته و حجم مبادلات حرکت‌های آینده، قیمت را پیش بینی می‌کند. اساس این تحلیل‌ها بر استفاده از نمودار و رابطه‌های ریاضی و هندسی متمرکز است تا بدین گونه روندهای کوچک و بزرگ بدست آید. در این راستا فرصت‌های خرید یا فروش از راه برآورد محدوده نوسانات بازار مشخص می‌شود.

۲-۱-۲- تحلیل بنیادین

تحلیل بنیادین یک شرکت شامل تحلیل گزارشات مالی و سلامت مالی شرکت، مدیریت و امتیازات رقابتی، رقبا و بازارهای مربوطه‌ است. هنگامیکه این تحلیل در بازارهای آتی^[۷۱] و فارکس^[۷۲] به کار می‌رود، تمرکز اصلی بر شرایط اقتصادی، نرخ بهره، تولید، سودآوری و مدیریت است. وقتی سهام، قراردادهای آتی یا ارز مورد تحلیل بنیادین قرار می‌گیرد، دو رویکرد اساسی وجود دارد: تحلیل پایین به بالا و تحلیل بالا به پایین. این عبارات جهت تمیز دادن چنین تحلیلهایی از سایر تحلیل‌های سرمایه گذاری نظیر تحلیل‌های کمی و تکنیکی است. تحلیل بنیادین بر اساس داده‌های گذشته و فعلی با هدف پیش بینی مالی انجام می‌پذیرد. اهداف متعددی برای این تحلیل وجود دارد. تعیین ارزش سهام شرکت و پیش بینی تغییرات آتی قیمت، برآورد عملکرد تجاری و ارزیابی مدیریت و اتخاذ تصمیمات داخلی جهت محاسبه ریسک اعتباری در تحلیل بنیادین اساس پیش بینی بر مبنای وقایع و رخدادهای واقعی پایه گذاری شده‌است. معامله گر با تحلیل اتفاقات و اخبار دنیای واقعی و بر اساس دانش و استراتژی خود، به پیش بینی بازار می‌پردازد. استراتژی روش محاسبه نقاط ورود به بازار و خروج از آن است. پایه نظر تحلیل گران بنیادی این است که تمام تغییرات در قیمتها حتماً یک علت اقتصادی بنیادی دارد.

۲-۱-۳- تحلیل توسط مدل‌های علمی

مدل‌های علمی بسیار متنوعی برای استفاده در پیش بینی، در چند دهه اخیر معرفی و به کارگیری شده‌اند. از مدل‌های کلاسیک پیش بینی رگرسیونی^[۷۳] گرفته تا متدهای متنوع و به روزی که در سری‌های زمانی^[۷۴] معرفی می شوند؛ از جمله کارهای ارزشمند استفاده شده در این عصر هستند. در سال های اخیر اما، استفاده از الگوریتم های کلاسیک معرفی شده کمتر شده و خبرگان مالی به استفاده از روش‌های نوین معرفی شده توسط علم هوش مصنوعی روی آورده‌اند. دلیل این امر این است که پیچیدگی بسیار زیاد بازار سهام، استفاده از مدل‌های خطی را محدود کرده است. در واقع رفتار غیر خطی کاملا در قیمت سهام مشخص بوده و تخمین آن با متدهای خطی باعث ایجاد خطای زیادی می‌گردد. در این میان، استفاده از الگوریتم‌های کلاسیک غیر‌خطی نیز کارایی چندانی ندارند. دلیل این امر نیز این است که در این متدها باید مدلی که قرار است به داده‌ها برازش شود باید از قبل معلوم باشد و همچنین این مدل‌ها دارای محدودیت زیادی در شکل و پیچیدگی هستند و لذا استفاده از این مدل‌ها، به مراتب حتی از مدل‌های خطی نیز کارایی کمتری دارند. در این میان، حجم بالای داده‌های موجود و محدودیت‌های مدل‌های کلاسیک نیز از جمله مشکلات دیگری است که این حوزه را به سمت استفاده از مدل‌های هوش مصنوعی سوق داده است.
علم هوش مصنوعی با معرفی ابزارهای بسیار متنوعی مثل شبکه‌های عصبی^[۷۵] ، ماشین بردار پشتیبان^[۷۶] و الگوریتم‌های فراابتکاری^[۷۷] امکانات بی نظیری را برای کار با داده های فراوان، تخمین مدل‌های بسیار پیچیده و سرعت عمل بالا در برازش فراهم آورده و به همین دلایل با اقبال بسیار زیادی روبرو شده است. در این میان، قابلیت استفاده از شبکه‌های عصبی برای پیش بینی قیمت بسیار بالاتر از ابزارهای دیگر است. دلیل این امر این است که این شبکه‌ها قابلیت تخمین مدل‌های پیچیده تر و کار با تعداد داده های بسیار زیادتر را دارد. در تحقیقات انجام شده عصر حاضر نیز بیشترین استفاده از مدل‌های هوش مصنوعی در حوزه پیش بینی سهام، به استفاده از این شبکه ها باز می‌گردد.
نکته مهمی که در مورد این شبکه‌ها وجود دارد این است که این شبکه‌ها اغلب دارای بیش برازش می‌گردند. به این معنا که مدل را حتی از حد واقعی خود نیز پیچیده تر تخمین می‌زنند. برای جلوگیری از این اتفاق، باید معماری‌های مناسبی را برای شبکه انتخاب کرده و الگوریتم های یادگیری را نیز به درستی استفاده کرد. علاوه بر این لازم است که میزان اطلاعات ورودی به این شبکه نیز محدود شده و پیچیدگی‌های احتمالی را از بین ببرد. در مورد شبکه های عصبی و معماری ها و الگوریتم‌های یادگیری آنها در ادامه به تفصیل پرداخته خواهد شد، اما در مورد کاهش حجم ورودی ها و به گزین کردن آنها، از علم داده کاوی استفاده می شود. این علم میان رشته ای با ابزارهای بسیار متنوعی که تعریف می‌کند، قابلیت های بی نظیری را برای پیش پردازش داده ها و توصیف مجموعه داده ها معرفی می‌کند. این علم نیز در ادامه به تفصیل توضیح داده خواهد شد. شکل (۱) مروری کلی بر بخش مقدمه و تحلیل های ممکن در بازار سرمایه را نشان می دهد :
شکل ۱-۱ : دسته بندی کلی تحلیل های کاربردی در بازار سرمایه
همانگونه که ذکر شده؛ بررسی‌های انجام شده در بازار سرمایه در سه حوزه کلی شناسایی سهام مناسب برای سرمایه گذاری، شناسایی و به کارگیری استراتژی مناسب برای خرید و فروش در بازار و پیش بینی قیمت‌های آینده سهام قرار می‌گیرند. همچنین، به صورت کلی تحلیل‌های ممکن در مورد قیمت سهم در آینده در سه بخش تحلیل تکنیکی، تحلیل بنیادین و تحلیل توسط متدهای ریاضی قرار می‌گیرند. متدهای ریاضی نیز در دو دسته متدهای کلاسیک و متدهای هوش مصنوعی قرار گرفته و بررسی می شوند. در ادامه این تحقیق، در ابتدا به بررسی امکان پیش بینی و نظریه کارایی بازار سرمایه پرداخته و سپس به توضیح شبکه عصبی و داده کاوی پرداخته خواهد شد.

۲-۲- آیا بازار سرمایه پیش بینی پذیر است؟

۲-۲-۱- نظریه کارایی بازار سرمایه

بیش از ربع قرن است که توجه استادان مالی و اقتصادی دانشگاه‌ها متوجه کارایی بازار سرمایه (Capital Market Efficiency) در کشورهای مختلف شده است. برای کشورهای سرمایه‌داری، کارا بودن بازار از اهمیت زیادی برخوردار است، چرا که در صورت کارا بودن بازار سرمایه، هم قیمت اوراق بهادار به درستی و عادلانه تعیین می‌شود و هم تخصیص سرمایه که مهم‌ترین عامل تولید و توسعه اقتصادی است، به صورت مطلوب و بهینه انجام می‌شود. در دنیای مالی سه سطح کارایی بازار وجود دارد:

• • کارایی اطلاعاتی^[۷۸]

• • کارایی تخصیصی^[۷۹]

• کارایی عملیاتی^[۸۰]

Engle, R. Granger, C.W.J. (1987). “Co-integration and Error Correction: Representation, Estimation, and Testing,” Econometrica, 251–۲۷۶٫
Gareta, R. Romeo, L. Gil, A. (2005). “Forecasting of electricity prices with neural networks”. Centro de Investigacio´n de Recursos y Consumos Energe´ticos (CIRCE). Universidad de Zaragoza. Centro Polite´cnico Superior.
Geem, Z. Roper, W. (2009). “Energy demand estimation of South Korea using artificial neural network”. Environmental Planning and Management Program, Johns Hopkins University. Department of Geography and Geo-information Science, George Mason University
Greenaway, D. Kneller, R. Zhang, X. (2008). “Exchange Rate Uncertainty and Export Decisions in the UK,” Discussion Papers ۰۸/۴۲, University of Nottingham, GEP.
Hall, S. Hondroyiannis, G. Swamy, P.A.V.B. Tavlas, G.S. Ulan, M. (2005). “Some Further Evidence on Exchange-Rate Volatility and Exports”. Economic Systems, Elsevier, ECMODE-01845; No of Pages 8, Bank of Greece.
Harrod. R.F. (1939) ”An essay in dynamic theory”. E.J.
Hayakawa, K. Kimura, F. (2009). “The effect of exchange rate volatility on international trade in East Asia” Journal of the Japanese and International Economies, Elsevier, vol. 23(4), pages 395-406, December.
Herwartz, H. Weber, H. (2007). “Exchange Rate Uncertainty and Trade Growth – A Comparison of Linear and Nonlinear (Forecasting) Models,” SFB 649 Discussion Papers SFB649DP2007-042, Sonderforschungsbereich 649, Humboldt University, Berlin, Germany.
Holly, S. (1995). “Exchange Rate Uncertainty and Export Performance: Supply and Demand Effects,” Scottish Journal of Political Economy, Scottish Economic Society, vol. 42(4), pages 381-91, November.
Kulkarni, S. Haidar, I. (2009). “Forecasting Model for Crude Oil Price Using Artificial Neural Networks and Commodity Futures Prices,” Quantitative Finance Papers ۰۹۰۶٫۴۸۳۸, arXiv.org.
Lucas, R. (1998). ”On the Mechanics of Economic Development”. Journal of Monetary Economics, 22, P: 3-42.
Malik, F. Nasereddin, M. (2006). “Forecasting output using oil prices: A cascaded artificial neural network approach,” Journal of Economics and Business, Elsevier, vol. 58(2), pages 168-180.
Nguyen, N. Cripps, A. (2001). “Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks,” Journal of Real Estate Research, American Real Estate Society, vol. 22(3), pages 313-336.
Ozturk, I. AcaravcÄ, A. (2006). “The effects of exchange rate volatility on the turkish export: an empirical investigation”. MPRA Paper ۳۳۲, University Library of Munich, Germany.
Podivinsky, J.M. Cheong, Ch. Lu, M. (2004). “The effect of exchange rate uncertainty on US imports from the UK: Consistent OLS estimation with volatility measured by an ARCH-type model”. Econometric Society 2004 Far Eastern Meetings ۶۵۷, Econometric Society.
Rahman,S. Serletis, A. (2009). “The effects of exchange rate uncertainty on exports”. Journal of Macroeconomics, Elsevier, vol. 31(3), pages 500-507, September.
Romer, P. M. (1986). “Increasing Returns and Long-Run Growth”. Journal of Political Economy. No 94. P: 37-1002.
Romer, D. (2000). ”Advanced Macroeconomics”. Mc Graw-Hill.
Ruiz, I. (2005). “Empirical analysis on the real effects of inflation and exchange rate uncertainty: The case of Colombia,” International Finance ۰۵۱۱۰۰۶, EconWPA.
Schnabl, G. (2008). “Exchange rate volatility and growth in small open economies at the EMU periphery”. Economic Systems, Elsevier, vol. 32(1), pages 70-91, March.
Solow, R. M. (1956). “A Contribution to the Theory of Economic Growth”. Quarterly Journal of Economics. No 70. P: 65-94.
Solow, R. M. (1954). “Technical Change and the Aggregate Production Function”. Review of Economics and Statistics. No 39. P: 20-312.
Sun, Ch. Kim, M. Koo, W. Cho, G. Jin, H. (2002). “The Effect Of Exchange Rate Volatility On Wheat Trade Worldwide”. Agribusiness & Applied Economics Report ۲۳۵۷۹, North Dakota State University, Department of Agribusiness and Applied Economics.
Tappinen, J. (1998). “Interest Rate Forecasting with Neural Networks”. Discussion Papers ۱۷۰, Government Institute for Economic Research Finland (VATT).
Thorbecke, W. (2008). “The Effect of Exchange Rate Volatility on Fragmentation in East Asia: Evidence from the Electronics Industry”. Discussion papers ۰۸۰۱۶, Research Institute of Economy, Trade and Industry (RIETI).
Yu, L. Wang, Sh. Lai, K. (2008). “Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm”. Energy Economics, Elsevier, vol. 30(5), pages 2623-2635, September.
پیوست‌: خروجی برنامه‌ی Eviews
نتایج آزمون DF بدون روند زمانی برای تفاضل اول متغیر نرخ ارز((ER)D)

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نتایج آزمون DF با روند زمانی برای تفاضل اول متغیر نرخ ارز((ER)D)
نتایج آزمون ADF بدون روند زمانی برای تفاضل اول متغیر نرخ ارز((ER)D)
نتایج آزمون ADF با روند زمانی برای تفاضل اول متغیر نرخ ارز((ER)D)