انتخاب و گزینش سهام و تشکیل پرتفوی سهام بهینه بستگی به عوامل متعددی دارد که تصمیم گیری را پیچیده می­نماید. سرمایه­گذاران می­توانند با انتخاب پرتفوی بهینه سهام، بازده سرمایه گذاری خود را حداکثر یا ریسک آن را به حداقل برسانند؛ بنابراین همواره به دنبال استفاده از الگوریتم­های مالی پیشرفته جهت تشکیل پرتفوی بهینه سهام می­باشند. هدف از انجام این پژوهش بررسی توانایی مدل یادگیری ماشین و مدل مارکوئیتز در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته شده در بورس اوراق بهادار تهران برای دوره زمانی 1389 الی 1398 می باشد. پس از گردآوری داده ها، مدل یادگیری عمیق و مدل مارکوئیتز با استفاده از نرم افزار آناکوندا و زبان برنامه نویسی پای تون، مورد آزمون قرارگرفته اند و سپس توانایی هریک از مدل ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده پرتفوی، شاخص ترینر و شاخص جنسن تعیین گردیده است. در پرتفوی ده سهمی مدل یادگیری عمیق؛ بازده پرتفوی 697/0، شاخص ترینر 541/4 و شاخص جنسن 480/0 و در پرتفوی ده سهمی مدل مارکوئیتز؛ بازده پرتفوی 058/0، شاخص ترینر 648/1- و شاخص جنسن 158/0- محاسبه گردیده است. با توجه به نتایج ارزیابی پرتفوی این نتیجه حاصل گردید که مدل یادگیری عمیق دارای توانایی بالاتری نسبت به مدل مارکوئیتز در تشکیل پرتفوی بهینه سهام می باشد.

در این مقاله به بهینه سازی سبد سهام شرکت های فعال پذیرفته شده در اوراق بهادار بورس تهران بر اساس مدل ترکیبی نسبت امگا و میانگین-واریانس مارکوئیتز (MVOF) پرداخته شده است. برای این امر 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1390 تا 1399 انتخاب و بر اساس داده های ورودی به فیلتر کردن شرکت ها پرداخته شد. از این رو یک روش ترکیبی متشکل از روش بهینه سازی قواعد معاملاتی مبتنی بر تحلیل تکنیکال (6 اندیکاتور RSI، ROC، SMA، EMA، WMA و MACD) و ماشین یادگیری جمعی دو سطحی (SVM، RF، BN، MLP و KNN) جهت آموزش داده ها و ارائه سیگنال خرید پرداخته شد. لذا 85 شرکت جهت بهینه سازی سبد سهام انتخاب شدند. برای آموزش داده های از 85 شرکت فیلتر شده توسط روش ترکیبی استفاده و تعداد طبقات مختلف با 50 یادگیرنده استفاده شده است. نتایج نشان میدهد استفاده از مدل OF نسبت به مدل MVF بالاترین بازده سبد سهام را در طی سال های 1395 تا 1399 دارد. در حالی که مدل MVF پایین ترین میزان ریسک سرمایه گذاری را به خود اختصاص داده است. در نتیجه با ترکیب مدل های فوق، مشاهده شده بازده سبد سهام در این روش بسیار بالاتر از روش های دیگر است. در حالی که ریسک سرمایه گذاری ان کمتر بوده است. لذا در صورت استفاده از مدل MVOF بازدهی سبد سهام افزایش و ریسک سرمایه گذاری در آن کاهش می یابد.

صنعت نفت از موثرترین و بزرگترین صنایع کشور است که در سال‏های اخیر تحت تاثیر تحریم‏های ظالمانه امریکا قرار گرفته است بنابراین عملکرد شرکت‏های فعال در آن، بسیار اهیمت دارد. شرکت‏های لجستیک فعال در آن نقش پشتیبانی کننده در این صنعت ایفا می‏کنند و عملکرد ضعیف آن ها می‏تواند ضرر و زیان بسیار زیادی به اقتصاد کشور وارد کند از اینرو لازم است که به طور مداوم مورد ارزیابی قرار گیرند. این تحقیق هم در همین راستا و با هدف ارزیابی عملکرد شرکت‏های لجستیکی فعال در صنعت نفت انجام شده است. در این تحقیق جهت ارزیابی عملکرد شرکت‏های لجستیکی فعال در صنعت نفت، با بررسی ادبیات موضوع و نظرخواهی از خبرگان و متخصصین شاخص‏های ارزیابی عملکرد شرکت‏ها شناسایی شدند. سپس جهت اندازه‏گیری اندازه‏گیری عملکرد شرکت‏ها از رویکرد دو مرحله‏ای تحلیل پوششی داده‏های شبکه‏ای استفاده شد. نتایج نشان داد که متوسط کارایی در سال 1399 در مرحله اول 80 درصد و در مرحله دوم 74 درصد و کل کارایی 60 درصد بوده است. در این سال واحدهای چهارم و ششم در مرز کارایی قرار داشته و دارای بیشترین میزان کارایی و واحد هیجدهم با مقدار 28 درصد دارای کمترین میزان کارایی هستند. در سال 1400 متوسط کارایی در مرحله اول 79 درصد و در مرحله دوم 85 درصد و کل کارایی 68 درصد بوده است. در این سال واحدهای چهارم و هشتم در مرز کارایی قرار داشته و دارای بیشترین میزان کارایی و واحد دوازدهم با مقدار 50 درصد دارای کمترین میزان کارایی هستند. مقایسه میزان کارایی در این دو سال بیانگر اینست که کل کارایی 22 درصد رشد داشته است. همچنین این تحقیق با بکارگیری رویکرد ترکیبی تحلیل پوششی داده‏ها و مدل مارکویتز بدنبال حداکثر نمودن بازدهی، حداقل نمودن ریسک و حداکثر نمودن کارایی به طور همزمان بوده است.

مقاله حاضر به بررسی عملکرد و مقایسه مدل های گارچ چند متغیره و الگوریتم مارکویتز در بهینه سازی سبد سرمایه گذاری برای سهام های برتردر چهار صنعت منتخب، شامل صنایع منتخب ماشین آلات برقی، استخراج کانه های فلزی، خودرو و ساخت قطعات و فرآورده های نفتی، که دارای بازدهی و ریسک متغیر هستند، برای سال های 1395-1399 می پردازد. براساس نتایج بهینه سازی پویا و میانگین گیری از متوسط اوزان بهینه این چهار صنعت در هر سه مدل، وزن بالاتر به سهام صنایعی اختصاص یافته است که نوسانات کمتری در بازدهی شان وجود دارد. در واقع، اوزان کمتر در بین چهار صنعت به صنایع با نوسانات شدیدتر در بازدهی یعنی صنایع خودرو و ساخت قطعات و فرآورده های نفتی اختصاص دارد. برعکس بیشترین سهم متوسط بهینه از سبد تشکیل یافته در بین چهار صنعت به صنعت کانی های فلزی با کمترین نوسانات در بازدهی تعلق دارد. لذا با توجه به نتایج حاصل شده، هر سه مدل نتیجه یکسانی را برای هر چهار سبد نشان می دهند. لذا در راستای تنوع بخشی به سبد سرمایه گذاری و کنترل ریسک سرمایه گذاری، به سرمایه گذاران توصیه می گردد همبستگی بین روند بازدهی سهام و نوسانات بازدهی سهام دارایی های مختلف قابل نگهداری را مدنظر قرار دهند.

در بهینه سازی سبد دارایی، مسئله اصلی انتخاب بهینه دارایی ها و اوراق بهاداری است که با مقدار مشخصی سرمایه می توان تهیه نمود. اگر چه حداقل سازی ریسک و حداکثرسازی بازده سرمایه گذاری به نظر ساده می رسد، اما در عمل روش های متعددی برای تشکیل سبد بهینه مطرح شده است. در سال 1950 هری مارکوئیتز مدل خود را ارائه کرد که در آن مسئله بهینه سازی سبد دارایی را به صورت یک مدل برنامه ریزی درجه دوم با هدف حداقل سازی واریانس مجموعه دارایی ها با این شرط که بازده مورد انتظار برابر با یک مقدار ثابت باشد، مطرح کرد. در این تحقیق مسئله بهینه سازی سه هدفه (یعنی حداکثرسازی بازده سبد سهام، حداقل سازی ریسک آن و تابع هدف سوم یعنی حداقل سازی تعداد دارایی ها یا سهام ها) مورد مطالعه قرار گرفته است. بر این اساس، سرمایه گذاران با پذیرش مقدار کمی ریسک و تقریبا همان مقدار بازده، سبدی را انتخاب می کنند که تعداد دارایی کمتر داشته باشد. برای این منظور در ابتدا از دو الگوریتم ژنتیک رتبه بندی نامغلوب (NSGA2) و الگوریتم تجمع ذرات چند هدفه (MOPSO) برای برآورد مدل دو هدفه حداقل واریانس و حداکثر بازده برای شناسایی الگوریتم بهتر مورد استفاده قرار گرفت. سپس با توجه به عملکرد بهتر الگوریتم MOPSO، از این الگوریتم برای برآورد مدل سه هدفه حداکثرسازی بازده سبد سهام، حداقل سازی ریسک و حداقل سازی تعداد سهام ها مورد استفاده قرار گرفت.

با توجه به محدودیت منابع آب زیرزمینی در ایران، محاسبه دقیق، استفاده صحیح، تنظیم و نگهداری این منابع از اهمیت بالایی برخوردار است. یکی از روش های مؤثر برای مدیریت و بهره برداری بهینه از این منابع در حال و آینده، استفاده از مدل سازی است. در این پژوهش مدل سازی تغییرات تراز آب زیرزمینی به صورت ماهانه در دورۀ 2022-2013 با مدل های MLP، WNN و MLPSSO-Wavelet انجام شد که از داده های نه سال اول برای آموزش و سال آخر جهت اعتبارسنجی استفاده شد و بهترین مدل با استفاده از معیارهای ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) تعیین گردید. بارش و دمای ایستگاه سینوپتیک شبستر در دوره آینده (2040-2021) با استفاده از مدل CanESM2 تحت سناریوهای RCP2.6 و RCP8.5 که ارتباط منطقی و مناسبی با ویژگی های اقلیمی مشاهداتی دارند پیش بینی و با استفاده از مدل LARS -WG ریزمقیاس سازی شدند. در دورۀ آتی، تحت هر دو سناریو و در ماه های فوریه ، جولای و اکتبر میانگین بارش کاهش و در نه ماه دیگر افزایش خواهد یافت. برای دما نیز به جز سناریو RCP8.5 و ماه ژوئن، در 11 ماه دیگر و تحت هر دو سناریو، افزایش دما پیش بینی می شود و بیش ترین افزایش دما (43/37 درصد)، در ماه ژانویه و تحت سناریو RCP2.6 خواهد بود. تراز آب زیرزمینی آبخوان دشت شبستر با افت 42/4 متری، از 64/1303 متر در سال 2003 به 22/1299 متر در سال 2022 رسیده است. مطابق نتایج، مدل MLPOSSO-Wavelet با 83/0R2=، 74/0RMSE= و 71/0MAE= در مرحلۀ اعتبارسنجی، دقت بیشتری نسبت به مدل های دیگر دارد. تراز آب زیرزمینی دشت شبستر تحت سناریو RCP2.6 در شش ماه ابتدایی کاهش و در شش ماه دوم نسبت به شش ماه اول افزایش خواهد یافت. تحت سناریو RCP8.5 فقط در ماه های ژانویه، فوریه و دسامبر کاهش تراز آب زیرزمینی پیش بینی می شود و بیش ترین کاهش در ماه ژانویه اتفاق خواهد افتاد.

محاسبه وزن مواد بار کوره های ذوب، اغلب از راه موازنه جرم ساده عناصر آلیاژی در مواد ورودی و مذاب خروجی انجام می شود. اما در فرایندهای ذوب، پیچیدگی ها و پدیده های گوناگونی هست که اغلب در محاسبات موازنه جرم نادیده گرفته می شود و سبب عدم اطمینان در محاسبه بار کوره می گردد. خطای محاسبه، باعث اصلاح چندباره ذوب، تأخیر در تخلیه، افزایش هزینه و کاهش کیفیت مذاب می شود. در پژوهش حاضر تلاش بر این بوده که پیچیدگی ها و جنبه های مهم مساله ذوب، که اغلب نادیده گرفته شده، در کوره شناسایی و در یک مدل ریاضی مناسب درنظر گرفته شود. هدف پژوهش حاضر توسعه مدلی است، که نه تنها وزن مواد اولیه برای ترکیب شیمیایی ذوب هدف را بهینه سازی کند، بلکه هدررفت ناهمگن عناصر آلیاژی، ناخالصی های غیرفلزی مواد بار، و اصلاح ذوب اولیه در کوره را نیز درنظر بگیرد. این مقاله، یک مدل بهینه سازی استاندارد و یک الگوریتم حلقه ی تکرار برای موازنه جرم غیرخطی مساله ذوب ارایه می کند. یک مساله ذوب آلیاژ برنج با 7 عنصر آلیاژی و 8 نوع مواد بار در مقیاس صنعتی طرح و بررسی گردید، تا کارکرد مدل را مورد آزمایش قرار دهد. نتایج عددی مدل کسر وزنی مواد اولیه، و وزن و ترکیب شیمیایی ذوب اصلاح شده را با کمترین هزینه مواد نشان می دهد. تحلیل بهینه بودن جواب، تایید کرد که کمترین مقدار هزینه به دست آمده است. مدل استاندارد غیرخطی، ابزاری قابل اعتماد و سریع برای بهینه سازی هزینه و محاسبه بار کوره است که پتانسیل های قابل توجهی برای کاهش هزینه و تسهیل اتوماسیون صنعتی فرایند ذوب ایجاد می کند.

با توجه به اهمیت قیمت نفت، پیش بینی صحیح قیمت سبد نفت خام کشورهای عضو اوپک می تواند نقش به سزایی در ایمن سازی اقتصاد این کشورها در مقابل اثرات ناشی از این نوسانات داشته باشد. این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب، به منظور مدل سازی و پیش بینی نوسانات قیمت نفت خام اوپک خواهد داشت. در این راستا از داده های روزانه قیمت نفت خام، طی دوره زمانی 02/01/1986 الی 13/02/2017 استفاده شده است. بر این اساس، وجود ویژگی حافظة بلندمدت در معادلات میانگین و واریانس قیمت نفت خام، مورد ارزیابی و مدل سازی قرار گرفت و نتایج مدل «ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮک اﻧﺒﺎﺷﺘﻪ ﺟﺰﺋﻲ خودهمبسته»، مؤید وجود ویژگی حافظه بلندمدت در هر دو معادله میانگین و واریانس سری مذکور است. اما آزمون‏های انجام شده، رفتاری غیرخطی و نمایی را در واریانس قیمت نفت خام تایید می‏نمایند. از این رو نتایج به ویژه براساس معیارهای اطلاعات و نیز معیار درصد میانگین مطلق خطا حاکی از انتخاب مدل ترکیبی از الگوی ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮک اﻧﺒﺎﺷﺘﻪ ﺟﺰﺋﻲ ﺧﻮدهمبسته و الگوی واریانس ناهمسانی شرطی نمایی یعنی مدل (1,1)EGARCH - (3,09/0,4) ARFIMA، به عنوان بهترین مدل جهت مدل سازی و پیش بینی نوسانات قیمت نفت خام اوپک است و عدم توجه به رفتار غیرخطی نمایی واریانس در حافظه بلندمدت قیمت نفت خام می‏تواند تحلیل‏گران و به ویژه تصمیم‏سازان اقتصادی را دچار خطای محاسباتی نموده و از سیاست بهینه منحرف سازد.

در دنیای پیشرفته امروز، به ویژه در حوزه های مهندسی مکانیک و صنایع هوافضا، کامپوزیت ها به دلیل ویژگی منحصربه فرد استحکام بالا در کنار وزن کم، جایگاه برجسته ای یافته اند. با این حال، رفتار پیچیده این مواد، تحلیل دقیق و ابزارهای پیشرفته ای را برای مدل سازی و پیش بینی آسیب های ساختاری آن ها می طلبد. پژوهش حاضر با بهره گیری از ترکیب مدل های چندمقیاسی مزو-ماکرو و مفاهیم مکانیک آسیب پیوسته، رویکردی نوین برای تحلیل و ارزیابی خرابی در ساختارهای کامپوزیتی ارائه می کند. این مطالعه از چارچوب مدل های چندمقیاسی شبه همزمان بهره می گیرد که با استفاده از روش های پیشرفته شبیه سازی المان محدود و ابزارهای پردازش تصویر، امکان تحلیل جامع ترک خوردگی زمینه و شکست الیاف را فراهم می سازد. افزون بر این، زیربرنامه ای مبتنی بر مفاهیم مکانیک خرابی پیوسته در نرم افزار المان محدود میتوان توسعه داد که قادر باشد تکامل آسیب ها، از جمله پیشرفت ترک ها، شکست الیاف و پیش بینی بار نهایی شکست سازه های کامپوزیت را به صورت پیش رونده تحلیل کند. از سوی دیگر، به کارگیری روش های هوش مصنوعی، به ویژه در پردازش تصویر، سبب کاهش زمان و هزینه های محاسباتی شده و دقت تحلیل های مکانیکی را به طرز چشمگیری افزایش داده است. این رویکردهای چندمقیاسی هوشمند نقشی کلیدی در بهینه سازی طراحی و پیش بینی دقیق مکانیزم های خرابی ایفا می کنند. این روش ها، به ویژه در کاربردهای پیچیده و حساس هوافضایی، ابزارهای مؤثری برای ارتقای عملکرد و قابلیت اطمینان ساختارهای کامپوزیت ها به شمار می روند.