به منظور سرمایه گذاری در یک شاخص منتخب در وهله اول به تشکیل یک پرتفوی که تقریبی از آن شاخص باشد نیاز داریم. این کار ردیابی شاخص نامیده می شود. در این پژوهش کیفیت معیارهای مختلف ردیابی شاخص سنتی را به همراه معیار توسعه داده شده، بررسی، مزایا و معایب هر یک را شناسایی، و نهایتا معیار پایدارتر را معرفی می کنیم. برخلاف پژوهش های انجام شده بر روی تشکیل پرتفوی ردیاب و نیز کیفیت ردیابی که درجه میزان ردیابی شاخص را در پرتفوی ردیاب نشان می دهد، تمرکز این پژوهش بر پایداری و ثبات معیارهای ردیابی است. بدین معنا که ما به دنبال روشی که بهترین پرتفوی ردیاب با بالاترین کیفیت ردیابی را تشکیل دهد، نبودیم، در عوض، در این پژوهش تلاش شد تا نتایج دوره تخمین را با دوره سرمایه گذاری مقایسه کرده تا ضمن بررسی و تحلیل معیارها مشخص کنیم که کدام یک از معیارهای ارزیابی از ثبات بیشتری برخوردار هستند. البته در نهایت مشخص شد که با بهبود متغیرهای ارزیابی ثبات، چگونگی تشکیل پرتفوی ردیاب نیز بهبود یابد. در این راستا، معیار نوین کیفیت ردیابی محقق معرفی و سپس عملکرد آن با معیارهای سنتی مقایسه شد. با مقایسه کیفیت های ردیابی محقق و سه معیار سنتی نوسان خطای ردیابی (TEV) و میانگین مجذور خطاها (MSE) و میانگین انحراف مطلق(MAD) مشخص شد که تفاوت های معناداری در مقادیر پیش بینی کننده شان وجود دارد. قلمرو مکانی این پژوهش بورس اوراق بهادار تهران و جامعه آماری آن شامل کلیه شرکت های پذیرفته شده در بورس است. قلمرو زمانی تحقیق نیز از ابتدای مهر ماه سال 1391 لغایت شهریورماه سال 1396 به مدت پنج سال می باشد.

هدف از تطبیق دامنه تصویری، یادگیری مدل های مقاوم برای داده های آزمایشی، با استفاده از انتقال دانش از داده های آموزشی است، درحالی که مجموعه های آموزشی و آزمایشی دارای توزیع های متفاوتی هستند. روش های موجود تلاش می کنند تا مسیله تغییر دامنه ها را با استفاده از تطبیق دامنه ها یا اعمال محدودیت های رتبه-پایین حل نمایند. در این مقاله، ما یک روش دو مرحله ای غیرنظارت شده با عنوان حداقل سازی خطای بازسازی تصاویر از طریق تطبیق توزیع و محدودیت رتبه-پایین پیشنهاد می دهیم که از هر دو روش تطبیق توزیع ها و محدودیت های رتبه-پایین برای فایق آمدن به اختلاف توزیع دامنه ها استفاده می کند. در مرحله اول، روش پیشنهادی ما داده های آموزشی و آزمایشی را به یک زیرفضای مشترک نگاشت می کند تا اختلاف توزیع حاشیه ای و شرطی دامنه ها حداقل شود. علاوه بر آن، EDA از خوشه بندی مستقل از دامنه برای تفکیک بین کلاس های مختلف بهره می برد. در مرحله دوم، برای حفظ ساختار داده در زیرفضای مشترک، EDA خطای بازسازی داده ها را با استفاده از محدودیت های رتبه-پایین و تنک حداقل می کند. به طورکلی، EDA مسیله اختلاف دامنه ها را با پیچیدگی زمانی درجه سه حل می کند. روش پیشنهاد شده بر روی تنوعی از پایگاه داده های شناخته شده بصری ارزیابی می شود و کارایی آن با دیگر روش های به روز تطبیق دامنه ها مقایسه می شود. میانگین دقت EDA بر روی 32 آزمایش 33/68% به دست آمده که نسبت به دیگر روش های به روز تطبیق دامنه، با بهبود 28/4% عملکرد بهتری دارد.

اعمال سیاست های حمایتی بر محصول گندم برای رسیدن به امنیت غذایی همواره در دستور کار سیاست گذاران قرار داشته است. دولت در چارچوب سیاست غذای ارزان، به مصرف گندم یارانه می دهد و همچنین، به اجرای سیاست های حمایتی تعیین قیمت تضمینی، یارانة نهاده های تولید و بیمه برای تولید محصول گندم می پردازد. دولت، هم چنین، خریدار و فروشندة انحصاری گندم در کشور است. با توجه به پیوستگی در اجرا و هزینه های فزایندة برنامه های حمایت از تولیدکنندگان و مصرف کنندگان گندم، هدف پژوهش حاضر ارزیابی سیاست های دولت در بازار گندم در بازه زمانی 1396-1380 بود. بدین منظور، نخست، اثبات شد که به دست آوردن مقادیر کشش عرضه و تقاضا در یک بازار آشفته به هیچ وجه قابل استناد نیست و در بیان وضعیت موجود در بازار، خطای بسیار زیادی دارد؛ و در عمل، یک مدل پیشنهادی معتبر نیست. برای حل این مشکل، مدلی مبتنی بر بازار پیچیدة ایران پیشنهاد و کارآیی آن در ارزیابی واقعی سیاست های حمایتی نشان داده شد. جمع بندی نهایی حاکی از آن بود که برای کنترل بازار، سرانة هزینه کرد دولت به ازای گندم نسبت به سایر اقلام یارانه ای چندان قابل توجه نیست و می توان با یک مدیریت مناسب و هدفمند، این میزان را تعدیل کرد و با تثبیت نقش نظارتی دولت در بازار گندم، این بازار را به سوی یک بازار استاندارد و با حداقل هزینه برای دولت پیش برد. . .

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزشی افزایش یابد. علاوه بر این، استفاده از کدگذاری تنک، مدل یادگرفته شده را بسیار مختصر نموده و کنترل آن را ساده می نماید. با این حال، اختلاف توزیع بین دامنه های منبع و هدف بازدهی مدل را کاهش می دهد. در این مقاله، ما یک مدل تطبیق دامنه بدون نظارت پیشنهاد می دهیم تا خطای پیش بینی مدل های طبقه بندی تصاویر را کاهش دهیم. از وزن دهی مجدد نمونه ها برای مدیریت داده های اضافه و اطلاعات بلااستفاده داده های منبع در نمایش جدید استفاده می شود. همچنین، اختلاف توزیع شرطی بین دامنه های منبع و هدف با استفاده از روی هم گذاری زیرفضاها کاهش داده می شود. روش پیشنهادی ما یک طبقه بند مستقل از دامنه تنک در زیرفضای به دست آمده می باشد که ساختار داده های ورودی را حفظ می کند. آزمایشات گسترده نشان می دهد که روش پیشنهادی ما بر روی پایگاه داده های واقعی در مقایسه با روش های به روز در حوزه یادگیری ماشین و تطبیق دامنه، 49/4% بهبود در صحت طبقه بندی دارد.

پژوهش حاضر با هدف ارائه الگوی تجاری سازی نتایج تحقیقات دانشگاهی و در راستای تجاری سازی تحقیقات به عنوان یکی از ماموریت های اصلی دانشگاه ها، انجام شده است و برای رسیدن به هدف این تحقیق، ابتدا با مرور ادبیات، مهمترین مولفه های موثر بر تجاری سازی احصاء و با بهره گیری از نظریه سه شاخگی (3c) هر یک از مولفه ها بر اساس ویژگی هایی در سه دسته عوامل زمینه ای، محتوایی و ساختاری طبقه بندی و چارچوب مفهومی تحقیق ارائه شده و با جمع آوری داده های تجربی و روش مدل سازی معادلات ساختاری، چارچوب پیشنهادی اعتبارسنجی و مدل نهایی تحقیق ارائه شده است. بر اساس یافته های پژوهش و مقادیر مربوط به ضریب مسیرها در مدل نهایی تحقیق، عوامل زمینه ای 34.4 درصد، محتوایی 21.5 درصد و ساختاری 34.7 درصد تغییرات مربوط به متغیر تجاری سازی را به طور مستقیم تبیین می کنند. از سوی دیگر، متغیر زمینه ای بطور غیرمستقیم و از طریق متغیر میانجی عوامل ساختاری به میزان 14.8 درصد و از طریق متغیر میانجی عوامل محتوایی به میزان 16.7 درصد بر متغیر وابسته تجاری سازی موثر است. همچنین، محاسبه و تحلیل شاخص های برازش با نرم افزار Smart-PLS نیز انطباق چارچوب مفهومی و پیشینه تجربی با واقعیت را تایید کرده است.

یکی از خطاهای بسیار تاثیرگذار بر مکان یابی دقیق GPS اثر چندمسیری مربوط به هر گیرنده است. چندمسیری، دریافت یک سیگنال توسط آنتن از بیش از یک مسیر است و این اثر یک منبع بزرگ خطای ناشناخته در مکان یابی است و با روش های تفاضلی حذف نمی شود. این اثر به طور گسترده ای وابسته به محیط های مختص هر گیرنده است و یک اثر فرکانس پایین است. هندسه بین ماهواره های GPS و مکان خاص هر گیرنده در روزهای نجومی تکرار می گردد و اثرات چندمسیری تمایل به رفتارهای مشابه در روزهای متوالی دارد. در این مقاله یک روش برای استخراج رفتار اثرات چندمسیری بر مشاهدات کد GPS اعمال شد و کاهش خطای چندمسیری موجب افزایش دقت مکان یابی می شود. در روش پیشنهادی، سیگنال مانده بر اساس تفاضل دوگانه (DD) تولید شده و به عنوان ورودی الگوریتم پیشنهادی استفاده می شود. برای تقریب و مدل سازی چندمسیری از مدل ماشین بردار پشتیبان (SVM) استفاده شده است. برای تعیین پارامترهای اساسی SVM و تابع کرنل آن از دو الگوریتم بهینه سازی گروهی ذرات (PSO) و الگوریتم ژنتیک (GA) استفاده شد. برای ارزیابی دقت روش پیشنهادی، شبیه سازی و آزمایشاتی بر اساس دو ایستگاه (مرجع و کاربر) و دو گیرنده ارزان قیمت طراحی شد، تست روش های پیشنهادی بر اساس داده واقعی انجام شد و آزمایشات نشان داد که خطای چندمسیری گیرنده ایستگاه کاربر بر اساس معیار RMS با این روش تا 70 درصد در حالت تست ایستا کاهش داشته است. مدل های این مقاله با برخی مدل های اخیر ارائه شده در زمینه کاهش خطای چندمسیری مقایسه شده اند. نتایج نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به سایر روش ها داشته و از نتایج آن دقت بالا و پایداری نتایج در مکان یابی است. دقت مکان یابی سه بعدی پس از استفاده از روش پیشنهادی حدود 56% بهبود داشته و به 1.60 متر رسیده است.

فرایند تشکیل پرتفویی از سهم های تشکیل دهنده شاخص به گونه ای که عملکرد آن شاخص را بازسازی کند، ردیابی شاخص نامیده می شود. پرتفوی ردیاب شاخص به طور نسبی از تنوع خوبی برخوردار است و حجم معاملات و هزینه معاملاتی پایینی دارد. این پژوهش مدل برنامه ریزی صفر و یک را به منظور تحلیل مسئله ردیابی شاخص بررسی می کند. در این مدل تعداد دارایی های مورد نظر برای تشکیل پرتفوی را مدیر سرمایه گذاری تعریف می کند. به منظور درنظرگرفتن عدم قطعیت ضریب همبستگی بین دارایی ها به عنوان ورودی مدل، که دربرگیرنده خطای پیش بینی است، از رویکرد بهینه سازی استوار استفاده می شود. نتایج آزمون خارج از نمونه بر اساس شاخص پنجاه شرکت فعال تر بورس اوراق بهادار تهران در سال 1392 نشان می دهد که درنظرگرفتن این عدم قطعیت با استفاده از رویکرد بهینه سازی استوار عملکرد مدل را بر مبنای معیارهای نسبت اطلاعاتی و خطای ردیابی بهبود می بخشد.