پیش بینی جزء لاینفک فرآیند تصمیم گیری و کنترل می باشد و از طرفی رابطه مستقیمی با ریسک تصمیم گیری دارد. با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی، تحقیق در این زمینه از اهمیت زیادی برخوردار است. از آنجا که قیمت سهام یکی از مهم ترین عوامل موثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند؛ لذا در این تحقیق سعی شده است مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام شرکت مورد نظر را با دقت بالایی پیش بینی نمود. در این تحقیق یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک ارائه شده است. در این تحقیق از میان شرکت های موجود در بورس اوراق بهادار تهران، 30 شرکت از 50 شرکت برتر بورس اوراق بهادار در سه ماهه دوم سال 90 انتخاب شده است. سپس برای هر 30 شرکت 44 متغیر که شامل نماگرهای مالی مورد استفاده در بازارهای مالی می باشند محاسبه شده است. این متغیرها به عنوان ورودی مدل ترکیبی بوده و به کمک الگوریتم ژنتیک بهینه سازی شده اند. در ادامه برای بررسی عملکرد مدل ترکیبی، با استفاده از خطای کلی پیش بینی، نتایج این مدل با مدل های ماشین بردار پشتیبان ساده و شبکه عصبی مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و نسبت به روش ماشین بردار پشتیبان ساده و شبکه عصبی از دقت بالاتری برخوردار بوده است.

مقررات کمیته بال، افزایش روزافزون تقاضا برای وام و رقابت شدید در بازارهای مالی، باعث افزایش توجهات به موضوع حساس نکول وام?ها برای آن دسته از موسساتی است که به مشتریانی که احتمال قصور آنها بیشتر است وام اعطا می?کنند. در سال?های پیش، مدل?های شبکه عصبی به خوبی در حوزه مالی به کار گرفته می?شدند. اخیراً، ماشین بردار پشتیبان به عنوان راه حلی دقیق?تر و بهتر از شبکه?های عصبی در برخورد با مسائل طبقه?بندی و پیش?بینی بکار گرفته شده است. که این به خاطر ویژگی?های ممتاز روش ماشین بردار پشتیبان در عمومیت دادن اجرای خود و اهمیت دادن به تمامی اپتیمم?هاست. در این تحقیق از روش ماشین بردار پشتیبان برای پیش بینی نکول مشتریان حقیقی بانک مسکن استفاده گردید و عملکرد این مدل با روش شبکه عصبی پرسپترون چند لایه مقایسه گردید. علاوه بر مقایسه نتایج بدست آمده، خطای نوع یک و نوع دو نیز برای دو مدل محاسبه گردید. در نهایت نتایج بدست آمده حاکی از آن بود که مدل ماشین بردار پشتیبان نه تنها عملکردی دقیقتر در پیش?بینی نکول درخواست کنندگان وام دارد، بلکه این مدل دارای خطای نوع یک و دو کمتری نسبت به روش شبکه عصبی می?باشد.

در مسئله بهینه سازی پرتفوی، مدل مارکویتز همچنان رویکرد غالب است اما زمانی که تعداد دارایی های قابل سرمایه گذاری و محدودیت های موجود در بازار از حالت تئوری خارج شده و به دنیای واقعی تعمیم می یابد مسئله بهینه سازی پرتفوی به راحتی با استفاده از شیوه های ریاضی و مدل سنتی مارکویتز قابل حل نمی باشد. به همین دلیل در این تحقیق ما با استفاده از هوش مصنوعی و الگوریتم ابتکاری کلونی زنبور عسل مصنوعی به بهینه سازی پرتفوی پرداخته ایم و نتایج حاصل را با نتایج حاصل از مدل مارکویتز مقایسه کرده ایم تا ببینیم که در بازار اوراق بهادار ایران آیا روش بهینه سازی پرتفوی الگوریتم کلونی زنبور عسل بهتر از روش مارکویتز عمل میکند یا خیر. بدین منظور با توجه به اعمال محدودیت هایی 198 شرکت را طی یک دوره 4 ساله که از سال 1387 شروع و در انتهای سال 1390 تمام می شود در بورس اوراق بهادار تهران در نظر گرفته و پرتفوی های لازم را برای دو مدل تهیه کرده ایم و در انتها با به دست آوردن معیارهای شارپ، ترینر، جنسن و m2 و مقایسه آن ها به وسیله آزمون های آماری به این نتیجه می رسیم که الگوریتم کلونی زنبور عسل در بهینه سازی پرتفوی کاراتر از روش سنتی مارکویتز عمل می کند.

نظر به این که بورس اوراق بهادار تهران، به عنوان مکانیزمی در جهت تجهیز پس اندازها و هدایت آن به طرف سرمایه گذاری مولد و مفید به حال جامعه و اقتصاد کشور است، مطالعه پیرامون موضوع های وابسته به این سازمان از اهمیت ویژه ای برخوردار است. امروزه اکثر تحلیل گران مالی براین باورند که شرکتها برای ایجاد ارزش باید بازدهی بیش از هزینه سرمایه (بدهی و حقوق صاحبان سهام) ایجاد نمایند. این مفهوم با بکارگیری مدل هایی مانند ارزش افزوده اقتصادی و سود باقیمانده، عملیاتی شده است. با این نگاه، این پژوهش به دنبال پاسخگویی به این سوال است که " آیا سود باقیمانده دارای محتوای اطلاعاتی خاصی درباره ی بازده سهام می باشد؟ " روش تحقیق مورد استفاده در این پژوهش، روش میدانی با استفاده از اطلاعات تاریخی به صورت پس رویدادی(استفاده از اطلاعات گذشته) می باشد. قلمرو زمانی تحقیق بین سال 1380تا 1392 است و با توجه به موضوع تحقیق قلمرو مکانی این تحقیق، کلیه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران است. با استفاده از نرم افزار eviews 7 آزمون مانایی متغیرهای تحقیق و آزمون f لیمر برای تشخیص پول یا پنل بودن داده ها و آزمون فرضیه های تحقیق انجام شد. نتایج به دست آمده نشان می دهد که در بورس اوراق بهادار تهران سود باقیمانده حاوی اطلاعاتی درباره بازده سهام است، در نتیجه می توان از قدرت پیش بینی سود باقیمانده درباره بازده سهام استفاده کرد. اما درصد پایین این تاثیر حاکی از آن است که در ایران سرمایه گذاران برای خرید سهام به سود باقیمانده ی شرکت در سال پیش توجه بسیار کمی دارند.

یکی از ناهنجاری های موجود در بازارهای مالی وجود رفتار جمعی می باشد. در تحقیق حاضر ابتدا به بررسی وجود رفتار جمعی در بورس اوراق بهادار تهران پرداخته و سپس در صورت وجود رفتار جمعی، بررسی می شود که آیا رفتار جمعی در شرایط رونق و رکود بازار یکسان عمل می کند یا خیر؟ در این پژوهش یک روش جدید برای سنجش وجود رفتار جمعی در بازار بورس اوراق بهادار ارائه شده است. روش مذکور با توجه به فاکتور بازار و اطلاعات ناشی از نوسانات مقطعی قیمت سهام، وجود رفتارجمعی را بررسی کرده و برگرفته از مدل هوانگ و سالمون (2001-2004) می باشد. بتاها از مدل رگرسیون چند متغیره بدست آمده و سپس توزیع خطاهای تصادفی از نظر نرمال و غیر نرمال بودن بررسی می شود که در صورت نرمال بودن از روش بوت استرپ و در صورت غیر نرمال بودن از روش کی دو تعدیل شده برای بدست آوردن سطح اطمینان استفاده می شود. نمونه مورد بررسی در این تحقیق شامل 116 شرکت پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی 1383تا 1392 می باشد. از آنجا که خطاهای تصادفی غیر نرمال بودند، از روش کی دو تعدیل شده، سطح اطمینان بدست آمد. نتایج این پژوهش نشان می دهد که رفتار جمعی در بازار بورس اوراق بهادار در این دوره زمانی مشاهده نشده است لذا آزمون سنجش رفتارجمعی با توجه به شرایط بازار موضوعیتی ندارد.