مبانی کامپیوتر
سوال شماره 1
16 گام نقشه راه هوش تجاری به شرح زير تقديم ميشود:
گام 1: ارزیابی وضعیت تجاری گام 2: ارزیابی زیرساخت سازمان
گام 3: طرح ریزی پروژهگام 4: تعریف نیازمندی ها
گام 5: تحلیل داده ها گام 6: نمونه سازی برنامه کاربردی
گام 7: تحلیل مخزن فرا داده گام 8: طراحی پایگاه داده عملیاتی
گام 9: طراحی ETL گام 10: طراحی مخزن فرا داده
گام 11: تولید ETL گام 12: تولید برنامه کاربردی
گام 13: داده کاوی گام 14: تولید مخزن فرا داده
گام 15: پیاده سازی گام 16: ارزیابی نسخه
سوال شماره 2
مراحل انجام يک پروژه مهندسی هوش تجاري
1: هدف و منظور
2: طرح ریزی
3: تحلیل تجاری
4: طراحی
5: ساخت
6: نصب و استقرار
داده کاوی
داده کاوی شاخهای از علوم داده است. داده کاوی الگوهای موجود در مجموعه داده های گسترده را نشان میدهد که می تواند هوش تجاری ارزشمندی را فراهم کند.
در حالی که BI در درجه اول روی نظارت بر مجموعه داده ها و ردیابی داده ها در برابر اهداف تجاری و شاخص های کلیدی عملکرد (KPI) تمرکز دارد، از روش داده کاوی برای تجزیه و تحلیل مجموعه های داده برای شناسایی الگوهای و روندهای نوظهور استفاده میشود. داده کاوی این کار را با استفاده از تکنیک های پیشرفته برای داده هایی انجام می دهد که به سازمان ها کمک می کنند تا به یک هدف خاص دست یابند:
روش ها داده کاوی
طبقه بندی
خوشه بندی
رگرسیون
روابط
طبقه بندی
طبقه بندی برای بازیابی اطلاعات در مورد داده ها و ابرداده استفاده میشود. سپس از آن اطلاعات برای کمک به مرتب سازی داده ها توسط طبقات مختلف استفاده می شود.
طبقه بندی مجموعه داده های بزرگ را به دسته های خاص تقسیم می کند. این امر در بازاریابی مؤثر است و به شرکتها امکان میدهد تا تبلیغات مختلف را در حوزه های مختلف منتشر کنند و اطمینان حاصل کنند که تبلیغات مشتریانی را نشانه گرفته است که بیشترین سطح علاقه را نشان میدهند.
خوشه بندی
خوشه بندی یک تکنیک تجزیه و تحلیل داده کاوی است که برای شناسایی مجموعه های داده که مانند یکدیگر هستند ، استفاده می شود. خوشه بندی به گروه بندی داده ها و تشخیص تفاوت ها و تشابه ها کمک میکند.
خوشه بندی، طبقه بندی را به سطح جدیدی می رساند و ناهنجاری های کوچک یا شباهت هایی را که انسان نمی تواند مشاهده کند ، تشخیص می دهد. به این ترتیب، خوشه بندی می تواند راه هایی را برای قدرتمندتر شدن بازاریابی هدفمند، بهره وری عملیاتی و نوآوری محصول کشف کند.
رگرسیون
رگرسیون روشی قدرتمند برای تجزیه و تحلیل رابطه بین متغیرها است. رگرسیون برای شناسایی تأثیر متغیرهای به ظاهر نامربوط یا مستقل بر سایر متغیرهای وابسته استفاده می شود.
روابط
تکنیک روابط به یافتن ارتباط بین دو یا چند مورد کمک می کند. قانون روابط در پی کشف الگوهای پنهان در مجموعه داده ها است.
قانون روابط با گذشت زمان از روابط بین متغیرها پرده برمی دارد. با ردیابی و تجزیه و تحلیل فعالیت مشتری ، مشاغل می توانند شروع به پیش بینی رفتارهای آینده کنند.
الگوهای متوالی
تجزیه و تحلیل الگوهای متوالی به شناسایی الگوهای یا روندهای مشابه در داده ها در یک دوره زمانی خاص (مانند دوره فصلی) کمک می کند.
در حالی که داده کاوی می تواند از مدل ها و الگوریتم های پیچیده داده استفاده کند تا از الگوهای پنهان در داده های شما پرده برداری کند و آینده را بر اساس اطلاعات تاریخی پیش بینی کند، هوش تجاری و نرام افزار آنالیز مورد نیاز است تا آن پیش بینیها و الگوها را در برابر اهداف تجاری و KPI ترسیم کند.
تبدیل داده های خام به بینش تجاری از طریق داده کاوی
تبدیل داده های خام شما به بینش تجاری از طریق فرآیند داده کاوی، در طی پنج مرحله انجام می شود:
استخراج، تبدیل، بارگذاری (ETL): اولین مرحله در داده کاوی شامل استخراج داده ها از یک منبع، یا منابع مختلف، تبدیل آن به یک قالب استاندارد و بارگذاری آن در انبار داده است.
ذخیره و مدیریت: در مرحله بعد ، مشاغل داده ها را در یک سیستم پایگاه داده چند بعدی مانند OLAP، ذخیره و مدیریت می کنند.
دسترسی: پس از استاندارد سازی ، بارگیری و مدیریت داده ها به پایگاه داده، تحلیلگران مشاغل، متخصصان فناوری اطلاعات یا دانشمندان داده، دسترسی به داده ها را برای تعیین چگونگی سازماندهی آن به دست می آورند.
آنالیز: نرم افزار کاربردی داده ها را بر اساس نمایش داده های ورودی از کاربر نهایی تجزیه و تحلیل می کند.
ارائه: پس از تجزیه و تحلیل و مرتب سازی، داده ها با فرمت قابل فهم مانند گزارش ، نمودار یا گراف به کاربر نهایی ارائه می شود.
سوال شماره 4
قانون 10/80/10
10% از مشتریان سخت هستند (میگویند"نه"). 10% از مشتریان آسان هستند (میگویند"بله"). 80% از مشتریان معمولی خواهند بود (براساس شرایط، "نه" یا "بله" میگویند)
. قانون 10/80/10 شکل دیگری از اصل پارتو یا قانون 20/80 به عنوان راهی برای تمرکز استراتژیک فعالیتها استفاده میشود. یک مثال از اصل پارتو: 20% از مشتریان، 80٪ از درآمد شرکت را ایجاد می کنند.
بنابراین، کانون تمرکز ما برای فروش موفق، باید بر روی 80% از مشتریان باشد.
يا به نوعي این قانون بیان می کند که از 4 نوع شاخص موجود، از بین شاخص هایی که در یک سازمان تعیین می شوند 80% مربوط به شاخص های نتیجه و عملکرد، 10% آن ها مربوط به شاخص های کلیدی نتیجه و 10% شاخص های کلیدی عملکرد هستند. یعنی اگر در یک شرکت 50 شاخص تعیین شود طبق این قانون از این شاخص هاتنها 5 مورد از شاخص ها شاخص کلیدی عملکرد می باشند.
ویژگیهای نرم افزار Power BI
پاور بی آی (Power BI) ابزاری هوشمند برای تحلیل اطلاعات کسب و کار با به تصویر کشیدن دادهها با استفاده از ابزارهای پیشرفته تحلیل داده است. در مقالههای پیشین نرم افزار Power BI را به طور کامل معرفی کردیم و در این مقاله قصد داریم به ویژگیهای این نرم افزار که آنرا به رهبر نرم افزارهای هوش تجاری تبدیل کرده بپردازیم.
Microsoft Power BI چیست؟
Microsoft Power BI مجموعهای متشکل از ابزارهای اطلاعاتی تجاری مانند خدمات نرم افزاری، برنامهها و اتصالات داده است. این یک بستر مبتنی بر سرور ابری است که برای ادغام دادهها از منابع متنوع در یک پایگاه داده واحد استفاده میشود. این پایگاه دادهها با استفاده از گزارشهای قابل قبول ، داشبورد و برنامهها، برای تجسم دادهها ، ارزیابی و تجزیه و تحلیل دادهها استفاده میشوند. مایکروسافت سه نوع سیستم عامل را برای Power BI ارائه میدهد یعنی Power BI Desktop (یک برنامه دسک تاپ) ، Power BI Service (یعنی نرم افزار به عنوان یک سرویس) و Power BI Mobile (برای دستگاه های iOS و Android).
Power BI میتواند هم در سرور داخلی و هم بر روی سرور ابری مستقر شود. همچنین میتواند دادهها را از پایگاه دادههای محلی / منابع داده ، منابع داده مبتنی بر ابر ، منابع داده بزرگ ، پروندههای ساده اکسل و سایر منابع ترکیبی وارد کند. بنابراین ، قدرت BI ، یک رهبر در میان بسیاری از ابزارهای BI دیگر ، اثبات کرده است که ابزاری کارآمد و کاربرپسند برای تحلیل داده است. همچنین این امکان را به کاربران میدهد تا دادهها را از چندین منبع تلفیق کنند ، از داشبورد تعاملی استفاده کنند ، ارزیابی دادهها را انجام دهند و از ایجاد گزارشهای آموزنده و به اشتراک گذاری آن با سایر کاربران، استفاده کنند.
برای آشنایی بیشتر با نسخه تحت سرور داخلی Power BI مقاله “آموزش Power BI Report Server” را مطالعه کنید.
ویژگیهای Power BI
ویژگیهای منحصر به فرد Power BI به شرح زیر است:
۱٫ مجموعهای از نمودارهای جذاب
نمودار (Visualizations) یعنی نمایش بصری دادهها نقش اساسی در Power BI دارد. این برنامه طیف گستردهای از نمایشهای دقیق و جذاب را ارائه میدهد. شما میتوانید گزارشات و داشبورد را با استفاده از نمایش ساده یا پیچیدهای که میخواهید پایگاه دادههای خود را با آنها ایجاد و تنظیم کنید. همچنین یک کتابخانه برای نمایشهای سفارشی موجود است.
در Power BI میتوانید نمودارهای از قبیل موارد زیر استفاده کنید:
• نمودار نوار انباشته – Stacked bar chart
• نمودار ستون انباشته شده – Stacked column chart
• نمودار نوار خوشهای – Clustered bar chart
• نمودار ستون خوشهای – Clustered column chart
• نمودار ستون / نوار ۱۰۰٪ انباشته شده – ۱۰۰% stacked column/bar chart
• نمودار مقادیر یکپارچه در DAX خط – Line chart
• نمودار ناحیهای – Area chart
• نمودار ناحیهای انیاشته شده – Stacked area chart
• نمودار روبان – Ribbon chart
• نمودار آبشاری – Waterfall chart
• نمودار پراکندگی – Scatter chart
• نمودار دایرهای – Pie chart
• نمودار پیراشکی – Donut chart
• نمودار نقشه درختی – Treemap chart
• نقشه – Map
• نقشه پر شده – Filled map
• نمودار قیف – Funnel chart
• نمودار سنجش – Gauge chart
• و بسیاری نمودار دیگر
حتما بخوانید: جایگاه تحلیل داده در سال 2020
۲٫ دریافت داده (منبع داده)
ویژگی دریافت داده به کاربران Power BI این امکان را میدهد تا از طیف وسیعی از منابع داده انتخاب کنند. منابع داده در هر نقطهای از محدوده هستند از سرور داخلی تا سرور ابری ، بدون ساختار تا ساختار یافته قابلیت اضافه شدن به Power BI را دارند. همچنین منابع داده جدید هر ماه به این لیست اضافه میشوند.
برخی از آخرین منابع داده موجود به شرح زیر است:
• Excel
• Power BI datasets
• Power BI dataflows
• SQL Server
• MySQL database
• Analysis Services
• Azure
• Text/CSV
• Oracle
• PDF
• Access
• XML
• JSON
۳٫ فیلتر کردن پایگاه داده
پایگاه داده یک مجموعه واحد از داده است که در نتیجه گرفتن دادهها از چندین منبع داده ایجاد شده است. برای ایجاد انواع مختلف نمایش، میتوانید از پایگاه دادهها استفاده کنید. یک پایگاه دادهمیتواند از دادههای گرفته شده از یک منبع واحد مانند یک کتاب کار Excel یا بیشتر از یک منبع داده ساخته شود.
شما میتوانید پایگاه دادهها را فیلتر کنید و زیرمجموعههای کوچک تری داشته باشید که فقط داده و متنهای مهم را شامل میشوند. Power BI طیف گستردهای از اتصالات داده داخلی مانند Excel ، SQL Database ، Oracle ، Azure ، Facebook ، Salesforce ، MailChimp و غیره و یا منابع بیشتری را در اختیار کاربران قرار میدهد.
۴٫ داشبورد قابل تنظیم
داشبورد مجموعهای از نمایشهایی است که اطلاعات معنی دار یا چینش دادهها را ارائه میدهد. داشبورد معمولی در Power BI از نمایشهای مختلف به صورت کاشی (Tile) تشکیل شده است. آنها تنها صفحات گزارشها هستند. داشبورد قابل اشتراک و همچنین قابل چاپ است.
۵٫ کاشیهای قابل انعطاف
کاشی یک بلوک واحد است که شامل یک نمایش در داشبورد Power BI است. کاشیها هر اطلاعات نمایشی را به درستی تفکیک میکنند تا نمای واضحتری ارائه دهند. این کاشیها قابل تنظیم هستند و اندازه آنها نیز قابل تغییر است. همچنین، با توجه به راحتی کاربران، میتوانند در هر نقطه روی داشبورد قرار بگیرند.
حتما بخوانید: پادکست | پژواک، اپیزود ۱ | مهارتهای نرم و هوش هیجانی در کار و زندگی
۶٫ صفحه پیمایش
صفحه پیمایش گزینههایی از پایگاه دادهها ، داشبورد و گزارشها را دارد. کاربران می توانند به راحتی در Power BI کار کنند و در میان پایگاه دادهها ، داشبوردی که در آن کار می کنند و گزارشهایی را که ایجاد میکنند حرکت کنند.
۷٫ گزارشهای اطلاعاتی
گزارشات موجود در Power BI ترکیبی از داشبورد است که نوع متفاوتی از نمایشهای مربوط به یک موضوع تجاری خاص را شامل میشود. گزارش یک ارائه کامل و ساختار یافته از دادههای ارائه شده به روشهای مختلف و یک نمایش کامل از دادههای پایش شده است. کاربران میتوانند به راحتی گزارشهای ایجاد شده در Power BI را با سایر کاربران به اشتراک بگذارند.
۸٫ کادر پرسش و پاسخ
کادر پرسش و پاسخ (Natural Language Q&A) ، یک ویژگی منحصر به فرد از Power BI است. با استفاده از کادر Q&A ، کاربر میتواند برای جستجوی دادهها و اطلاعات موجود در سیستم Power BI با استفاده از زبان طبیعی سؤال کند. موتورهای شناختی Power BI دادهها یا نمایش یا بخشی از گزارش را که جستجو شده است جستجو میکنند و آن را به کاربر باز میگردانند. فن آوری شناختی، برای تحقق الزامات جستجوی کاربران، از استفاده مجدد ، تکمیل خودکار ، پیشنهادات و سایر تکنیکها استفاده میکند.
۹٫ تابع تجزیه و تحلیل داده در DAX
توابع DAX عبارتند از تجزیه و تحلیل دادههای موجود در Power BI. این توابع تجزیه و تحلیل کدهای از پیش تعریف شده برای انجام ویژگی های خاص تجزیه و تحلیل بر روی دادهها هستند. در حال حاضر حدود ۲۰۰ عملکرد در کتابخانه عملکرد Power BI وجود دارد. سازندگان همچنان به اضافه کردن موارد جدید ادامه میدهند.
۱۰٫ دکمههای راهنما و بازخورد
دکمههای راهنما و بازخورد برای گزینههای مختلف تنظیم مانند بارگیری، درخواست پشتیبانی، دادن بازخورد به تیم پشتیبانی Power BI و غیره استفاده میشود.
۱۱٫ راه اندازی برنامه Office 365
با استفاده از این گزینه، کاربران میتوانند به طور خودکار برنامه Microsoft Office 365 را راه اندازی کنند.
۱۲٫ مجموعه عالی در بستههای محتوا
Power BI بستههای محتوا را ارائه میدهد که شامل داشبورد ، مدل دادهها ، پایگاه دادهها ، نمایش دادههای جاسازی شده و غیره است. کاربران به جای اینکه به طور جداگانه به دنبال عناصر بگردند، میتوانند به طور مستقیم از مجموعه عناصر موجود در بستههای محتوا استفاده کنند.
خلاصه
نگاهی گذرا به ویژگیهای Power BI که در مورد آنها صحبت کردیم و موارد دیگر:
• داشبورد قابل تنظیم
• پایگاه داده
• گزارشها
• صفحه راهنما
• جعبه پرسش و پاسخ
• دکمههای راهنما و بازخورد
• Ad Hoc Reporting
• Ad Hoc Analysis
• پردازش تحلیلی آنلاین (OLAP)
• شاخصهای روند
• نوشتن گزارشهای تعاملی
• گزارشگری کامل و ابزارهای نمایش دادهها
معماری جند لایه انبار داده ها را بنویسید
لایه پاینی -سرور معماری انبار داده ها شامل سرور پایگاه داده رابطه ای است که از ابزار های back-endودیگر ابزارهای کاربردی برای اتقال اطلاعات از منابع دادهای مانند پایگاه داده های تراکنشی و غیره به لایه پاینی استفاده می شود
لایه میانی-یک سرورolapدر اختیار میگیرد که به وسیله ان داده ها را به یک ساختار مناسب تر تبدیل میکند تا بتوان به کویرهای پیچیذه بر روی داده ها و تحلیل ان ها دسترسی داشته این سرور در دو روش 1یک سیستم مدیریت پایگاه داده رابطه ای گسترده است relationelolaprolap
2-olapmlapکه به طور مستقیم داده ها ی چند بعدی و عملیات را اجرا می کند
لایه بالای این لایه ابزارهای را برای استفاده در زمینه های تجزیه و تحلیل دده پرس و جو کویری گزارش گیری و داده کاوی فراهم می اورد .
مدل های انبار داده
1انبار داده مجازی تعداد کمی از انبار داده ها عملیاتی به عنوان انبار داده مجازی شناخته میشود
2دیتا مارت شامل یک زیر مجموعه از داده ها ی سازمانی میباشد
3انبار داده سازمانی همه اطلاعات و موضوعاتی که در کل سازمان وجود دارد را جمع اوری میند
آپدیتهای بعدی اتریوم چیست؟
در سپتامبر 2022، شبکه اصلی اتریوم با Beacon Chain ترکیب شد و انتقال بلاک چین از Proof of Work به Proof of Stake را تکمیل کرد. این سوئیچ یا انتقال «ادغام» نامیده میشود.
این یکپارچه سازی روش اعتبارسنجی تراکنش های اتریوم را تغییر می دهد. پیش از این، اتریوم مانند بیتکوین کار میکرد: تراکنشها توسط یک شبکه غیرمتمرکز از رایانهها استخراج میشد که برای حل پازلهای ریاضی رقابت میکردند و برای انجام این کار با سکههای جدید پاداش میگرفتند.
این مکانیسم اجماع “اثبات کار”، که در آن رایانه ها باید در مورد اینکه کدام تراکنش ها را به یک بلوک جدید اضافه کنند، توافق کنند، بسیار انرژی بر است.
به گفته بنیاد اتریوم، با ادغام، اتریوم به مکانیزم اجماع به نام اثبات سهام (Proof-of-Stake) رفته است که انرژی بسیار کمتری مصرف میکند و باعث میشود شبكه حدود 99 درصد انرژی کارآمدتری داشته باشد.
تحت اثبات سهام، تراکنشها با آدرسهایی که توسط یک قرارداد هوشمند با مقدار زیادی اتریوم به اشتراک گذاشته شده است، تأیید میشوند. کسانی که بیشتر ETH شرط بندی کرده اند به نسبت بیشتری پاداش دریافت می کنند.
زنجیره بیکن چیست؟
زنجیره بیکن (Beacon Chain) شبکه بلاک چین اثبات سهام اتریوم است که در سال ۲۰۲۰ راه اندازی شد. زنجیره بیکن پس از تکمیل ادغام، به عنوان یک بلاک چین ارتقا یافته اتریوم کاملا کاربردی خواهد بود. به طور مثال مهمترین نقش زنجیره بیکن، کنترل شبکه Ethereum PoS است که کل فرآیند پروتکل PoS را مدیریت میکند و زنجیرههای موازی را هماهنگ میکند که به این کار شاردینگ گفته میشود.
اثبات سهام چیست؟
این ادغام بلاک چین را از مدل اثبات کار (PoW) به مدل اثبات سهام (PoS) منتقل می کند. هر دو الگوریتمهایی هستند که به کاربران اجازه میدهند تراکنشهای ارزهای دیجیتال جدید را اضافه کنند و سوابق آنها را در شبکه بلاک چین نگه دارند.
مدلهای اثبات کار کنونی به مقادیر زیادی انرژی برای تامین انرژی رایانهها نیاز دارند زیرا برای حل فرمولهای پیچیده ریاضی مقادیر یکپارچه در DAX برای تأیید تراکنشها رقابت میکنند.
از سوی دیگر، Proof of Stake، همانطور که از نام آن پیداست، کاربران را ملزم به داشتن سهام در بلاک چین می کند. این بدان معناست که دارندگان اتریوم باید مقادیر نسبتاً زیادی را برای احراز هویت تراکنشهای خود سرمایهگذاری کنند.
چارلز هاسکینسون: چیز خاصی تغییر نکرده است!
فرآیند ادغام کامل شده است، اما چارلز هاسکینسون، بنیانگذار Cardano معتقد است که اتریوم 2 هنوز راه زیادی در پیش دارد. او در توییتر خود گفت که اتریوم 2.0 طبق برنامهریزی توسعهدهندگان شبکه، به آپدیت شانگهای در سال آینده نیاز دارد. او در این توییت نوشت:
“آیا واقعا توجه نکرده اید که هیچ چیز در مورد عملکرد، هزینه اجرا و نقدینگی تغییر نکرده است؟”
این ادغام چه تاثیری بر اتریوم خواهد داشت؟
آیا این ترکیب باعث می شود اتریوم کمتر در برابر حملات هکرها آسیب پذیر باشد؟ گوربونوف می گوید: «ادغام قطعا امنیت اتریوم را افزایش می دهد. او میگوید پس از ادغام، سرمایهگذاری اولیه مورد نیاز برای تایید تراکنشها در بلاک چین حدود 55000 دلار یا ۳۳ ETH هزینه خواهد داشت.
آپدیت بعدی اتریوم چیست؟
پس از بهروزرسانی ادغام، مرحله دیگری از آپدیت بلاک چین اتریوم انجام خواهد شد که با اسامی Surge، Verge، Purge و Splurge شناخته می شوند. در سالگرد راه اندازی Beacon China ویتالیک بوترین نقشه راه اتریوم را توییت کرد.
مقدار سهام اتریوم در Beacon China از حد 10 میلیون اتر با ارزش بیش از 25 میلیارد دلار فراتر رفت. نکته جالب دیگری که باید به آن اشاره کرد این است که میزان انتشار اتر در هر بلوک پس از اجرای فرآیند یکپارچه سازی 2 واحد کاهش می یابد که به عنوان کاتالیزوری برای رشد قیمت اتریوم در بلند مدت عمل می کند.
پیش بینی شاخص بازار سهام با استفاده از تلفیق تکنیک های یادگیری ماشین
شکل 1: معماری عمومی یک روش تک مرحله ای برای پیش بینی n روز پیش از مدت معین.
جدول 1: شاخص های فنی انتخاب شده وفرمول های آن ها (کارا و همکاران، 2011)
جدول 2: پارامترهای شبکه عصبی مصنوعی (ANN) و مقادیر تست شده آن ها
جدول 3: پارامترهای رگرسيون های بردار پشتیبانی (SVR) و مقادیر تست شده آن ها
شکل 2: مدل شبکه عصبی مصنوعی (ANN)
شکل3: معماری عمومی یک روش ترکیبی دو مرحله ای برای پیش بینی n روز پیش از مدت معین.
3- روش ترکیبی دو مرحله ای
شکل 4: جزئیات روش ترکیبی دو مرحله ای برای پیش بینی n روز پیش از مدت معین.
4-1 داده های آزمایش
4-2 معیارهای ارزیابی
جدول 4: بهترین ترکیب پارامتر گزارش شده از آزمایشات تنظیم پارامتر برای هر یک از رگرسيون های بردار پشتیبانی (SVR) در مرحله اول روش ترکیبی دو مرحله ای
جدول 5: پیش بینی عملکرد یک روز پیش از مدت معین (برای CNX NIFTY).
جدول 6: پیش بینی عملکرد 2 روز پیش از مدت معین (برای CNX NIFTY).
جدول 7: پیش بینی عملکرد 3 روز پیش از مدت معین (برای CNX NIFTY).
جدول 8: پیش بینی عملکرد 4 روز پیش از مدت معین (برای CNX NIFTY).
جدول 9: پیش بینی عملکرد 5 روز پیش از مدت معین (برای CNX NIFTY).
جدول 10: پیش بینی عملکرد 6 روز پیش از مدت معین (برای CNX NIFTY).
جدول 11: پیش بینی عملکرد 7 روز پیش از مدت معین (برای CNX NIFTY).
جدول 12: پیش بینی عملکرد 8 روز پیش از مدت معین (برای CNX NIFTY).
جدول 13: پیش بینی عملکرد 9 روز پیش از مدت معین (برای CNX NIFTY).
جدول 14: پیش بینی عملکرد 10 روز پیش از مدت معین (برای CNX NIFTY).
جدول 15: پیش بینی عملکرد 15 روز پیش از مدت معین (برای CNX NIFTY).
جدول 16: پیش بینی عملکرد 30 روز پیش از مدت معین (برای CNX NIFTY).
جدول 17: پیش بینی عملکرد یک روز پیش از مدت معین (برای S&P BSE).
جدول 18: پیش بینی عملکرد 2 روز پیش از مدت معین (برای S&P BSE).
جدول 19: پیش بینی عملکرد 3 روز پیش از مدت معین (برای S&P BSE).
جدول 20: پیش بینی عملکرد 4 روز پیش از مدت معین (برای S&P BSE).
جدول 21: پیش بینی عملکرد 5 روز پیش از مدت معین (برای S&P BSE).
جدول 22: پیش بینی عملکرد 6 روز پیش از مدت معین (برای S&P BSE).
جدول 23: پیش بینی عملکرد 7 روز پیش از مدت معین (برای S&P BSE).
جدول 24: پیش بینی عملکرد 8 روز پیش از مدت معین (برای S&P BSE).
جدول 25: پیش بینی عملکرد 9 روز پیش از مدت معین (برای S&P BSE).
جدول 26: پیش بینی عملکرد 10 روز پیش از مدت معین (برای S&P BSE).
جدول 27: پیش بینی عملکرد 15 روز پیش از مدت معین (برای S&P BSE).
جدول 28: پیش بینی عملکرد 30 روز پیش از مدت معین (برای S&P BSE).
جدول 29: میانگین عملکرد پیش بینی برای بورس اوراق بهادار ملی هند (CNX Nifty)
جدول 30: بهبود عملکرد (مدل های پیش بینی دو مرحله ای نسبت به تک مرحله ای) برای CNX Nifty
جدول 31: میانگین عملکرد پیش بینی برای بورس اوراق بهادار بمبئی (S&P BSE)
جدول 32: بهبود عملکرد (مدل های پیش بینی دو مرحله ای نسبت به تک مرحله ای) برای S&P BSE
شکل 5: مقایسه پیش بینی عملکرد ANN و SVR-ANN برای پیش بینی 5 روز پیش از زمان برای بورس اوراق بهادار ملی هند (CNX Nifty).
در این مقاله به بحث در خصوص پیش بینی مقادیر آینده شاخص سهام پرداخته شده است. برای ارزیابی تجربی از دو شاخص بورس اوراق بهادار ملی هند (CNX Nifty) و بورس اوراق بهادار بمبئی(S&P BSE) از بازارهای سهام هند استفاده گردیده است. آزمایش ها براساس تاریخچه اطلاعات 10 ساله این دو شاخص انجام شده است. پیش بینی ها بر اساس 1 تا 10، 15 و 30 روز پیش از مدت معین انجام شده است. در این مقاله روش دو مرحله ای ترکیبی پیشنهاد گردیده که در مرحله اول آن از رگرسیون بردار پشتیبانی (SVR) استفاده شده است. در دومین مرحله روش ترکیبی، از شبکه های عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و نتایج رگرسیون بردار پشتیبانی (SVR) در مدل های پیش بینی SVR-ANN، SVR-RF و SVR-SVR استفاده شده است. عملکرد پیش بینی این مدل های ترکیبی با سناریوهای تک مرحله ای ANN، RF و SVR مقایسه گردیده است. برای هر یک از مدل های پیش بینی، 10 شاخص فنی به عنوان ورودی انتخاب شده است.
پیش بینی قیمت سهام یک مشکل کلاسیک است. طبق فرضیه بازار کارآمد، پیش بینی قیمت های سهام امکان-پذیر نیست و سهام به شیوه تصادفی رفتار می کند. اما تحلیلگران فنی معتقدند که بیشتر اطلاعات مربوط به سهام در قیمت های اخیر منعکس شده است و بنابراین اگر روند حرکت قیمت ها بررسی شود، قیمت ها به راحتی قابل پیش بینی می باشند. علاوه بر این، حرکات بازار سهام تحت تاثیر عوامل اقتصاد کلان متعددی همچون حوادث سیاسی، سیاست شرکت ها، شرایط اقتصادی عمومی، شاخص قیمت کالاها، نرخ بانکی، نرخ ارز بانکی، انتظارات سرمایه گذاران، انتخاب سرمایه گذاران نهادی، روند حرکتی سایر بازارهای سهام، روانشناسی سرمایه گذاران و غیره دارد (مایائو ، چن و ژائو ، 2007). ارزش شاخص های سهام بر اساس برآورد ارزش حال سرمایه بازار بالا محاسبه می شود. برای دستیابی به اطلاعات آماری از ارزش قیمت سهام، پارامترهای فنی متعددی مورد استفاده قرار گرفته است. شاخص های سهام از برآورد ارزش حال سرمایه بازار بالا استخراج شده اند و به این ترتیب یک نمای کلی از اقتصاد را نشان می دهند و به عوامل متعددی بستگی دارند. روش های متعدد متفاوتی برای مدل سازی سری زمانی وجود دارد. مدل های آماری سنتی شامل میانگین متحرک، یکنواخت سازی نهائی و میانگین متحرک خودهمبسته یکپارچه (ARIMA) در پیش بینی مقادیر آینده خطی هستند (بلرسلف ، 1986؛ شیه ، 1991؛ رائو و گابر، 1984). تحقیقات گسترده ای بر روی برنامه-های پیش بینی متعدد با استفاده از شبکه های عصبی مصنوعی (ANN)، منطق فازی، الگوریتم های ژنتیک (GA) و سایر روش ها انجام شده است (هادوندی، شاوندی و قنبری، 2010؛ لی و تانگ، 2011؛ زرندی، هادوندی و ترکسن، 2012). شبکه های عصبی مصنوعی (ANN) و رگرسيون بردار پشتیبان (SVR) دو الگوريتم يادگيري ماشيني هستند که عمدتاً براي پيش بيني قيمت سهام و شاخص هاي بازار سهام مورد استفاده قرار می گیرند. هر الگوریتم روش منحصر به خود را برای یادگیری الگوها دارد. ژانگ و وو (2009) شبکه عصبی برگشتی را با یک بهینه سازی شیمیایی بهبود یافته باکتریایی (IBCO) به صورت یکپارچه درآوردند. آنها توانایی روش پیشنهادی خود را در زمینه پیش بینی شاخص سهام هم برای دوره کوتاه مدت (روز بعد) و هم بلند مدت (15 روز) نشان دادند. نتایج شبیه سازی نشان دهنده عملکرد برتر روش پیشنهادی بود. در مطالعات انجام شده توسط اسدی، هادوندی، مهمانپذیر و ناخوستین (2012)، برای یادگیری شبکه های عصبی پیشخور ، ترکیبی از روش های پیش پردازش داده ها، الگوریتم های ژنتیک و الگوریتم لونبرگ- مارکاد (LM) استفاده شده است. آن ها از روش های پیش پردازش داده مانند انتقال داده و انتخاب متغیرهای ورودی برای بهبود دقت مدل استفاده کردند. نتایج حاصل نشان داد که روش پیشنهادی قادر به مقابله با نوسانات ارزش بازار سهام بوده و همچنین از دقت پیش بینی خوبی برخوردار است. برای آموزش دادن به شبکه عصبی تابع پایه شعاعی (RBFNN)، الگوریتم ازدحام ماهی های مصنوعی (AFSA) توسط شن، گوا، و وو (2011) معرفی گردید. آزمایشات آن ها بر روی شاخص سهام بورس شانگهای نشان داد که RBF بهینه شده توسط AFSA یک الگوریتم آسان برای استفاده و با دقت قابل ملاحظه است. اوو و وانگ (2009) برای پیش بینی روند حرکتی قیمت شاخص سهام هنگ سنگ بازار سهام هنگ کنگ، از 10 روش داده کاوی استفاده کردند. این روش ها شامل تجزیه و تحلیل افتراقی خطی (LDA)، تحلیل افتراقی درجه دوم (QDA)، الگوریتم K-نزدیکترین همسایه، الگوریتم دسته بندی بیز براساس تابع برآورد کرنل ، مدل لاجیت ، طبقه بندی درختی، شبکه عصبی، طبقه بندی بیزی با فرایند گاوسی، ماشین بردار پشتیبانی (SVM) و حداقل مربعات ماشین بردار پشتیبانی (LS-SVM) می باشد. نتایج تجربی نشان داد که عملکرد پیش بینی مدل های ماشین بردار پشتیبانی (SVM) و حداقل مربعات ماشین بردار پشتیبانی (LS-SVM) بهتر از سایر مدل ها بود. هادوندي، قنبری و نغمه عباسيان (2010) براي پيش بيني شاخص بورس عرضه، مدل هوش هيجاني هوشمند را پیشنهاد دادند. این مدل، ترکیبی از الگوریتم های ژنتیک و شبکه های عصبی پیشخور است. اخیراً ماشین بردار پشتیبانی (SVM) (وپنیک ، 1999) محبوبیت فراوانی یافته و به عنوان یک تکنولوژی پیشرفته برای کاربردهای رگرسیون و طبقه بندی در نظر گرفته شده است. کاظم، شریفی، حسین، صابری و حسین (2013) یک مدل پیش بینی مبتنی بر نقشه برداری آشوب، الگوریتم کرم شب تاب و رگرسیون بردار پشتیبانی (SVR) را برای پیش بینی قیمت بازار سهام پیشنهاد نمودند. مدل SVR-CFA که اخیراً در این مطالعه معرفی گردید، با SVR-GA (الگوریتم ژنتیک)، SVR-CGA (الگوریتم ژنتیک هرج و مرج)، SVR-FA (الگوریتم کرم شب تاب)، ANN و ANFIS مقایسه گردید و نتایج حاصل حاکی از آن بود که SVR مدل SVR-CFA بهتر از سایر مدل ها عمل کرد. پای، لین، لین و چانگ (2010) برای پیش بینی داده های سری زمانی فصلی، یک مدل رگرسیون بردار فصلی پشتیبانی (SSVR) را توسعه دادند. آن ها به منظور انتخاب سه پارامتر مدل SSVR از الگوریتم های ژنتیک ترکیبی و جستجوی ممنوعه (GAnTS) استفاده نمودند. آنها همچنین برای پیش بینی بر روی مجموعه داده های مشابه، دو مدل پیش بینی دیگر به نام های سری زمانی میانگین متحرک انباشته خود رگرسیون (SARIMA) و رگرسیون بردار پشتیبانی (SVR) را اعمال کردند. نتایج تجربی نشان داد که عملکرد SSVR از لحاظ دقت پیش بینی بهتر از هر دو مدل SVR و SARIMA بهتر می باشد. هوانگ و وو (2008) به منظور پیش بینی تحولات آینده شاخص های مختلف سهام، با یکپارچه سازی الگوریتم ژنتیک مبتنی بر مقیاس زمانی بهینه استخراج شده ماشین بردار پشتیبانی، یک مدل پیش بینی ترکیبی جدید توسعه دادند که برای دقت های مقیاس زمانی چندگانه و یک رگرسور غیر پارامتری انعطاف پذیر استفاده می شود. مدل پیشنهادی در مقایسه با ماشین های بردار پشتیبانی (SVM) خالص، مدل های GARCH سنتی و شبکه های عصبی از عملکرد بهتری برخوردار است. کاهش خطای مربع میانگین ریشه معنی دار بود. چنگ، ژو و وانگ (2012) پیش بینی سری زمانی مالی را با استفاده از الگوریتم های یادگیری گروهی پیشنهاد دادند. الگوریتم-های گروهی در ارتقای عملکرد یادگیرندگان پایه قدرتمند بودند. آلدین، دینور و انتظاری (2012) در مطالعه پیش بینی حرکت قیمت شاخص بورس تهران (TEPIX)، اثربخشی استفاده از شاخص های فنی مانند میانگین متحرک، RSI، CCI، MACD و غیره را مورد بررسی قرار دادند. این مقاله بر روی پیش بینی ارزش آینده شاخص های بازار سهام تمرکز دارد. پیش بینی ها بر اساس 1 تا 10، 15 و 30 روز پیش انجام شده است. پیشینه و ادبیات پژوهش نشان می دهد که روش های موجود برای وظیفه-ای که این مقاله بر روی آن تمرکز دارد، فقط از یک لایه پیش بینی استفاده می کند که پارامترهای آماری را به عنوان ورودی می گیرد و خروجی نهایی را می دهد. در این روش های موجود، مقدار پارامترهای آماری روز t اُم به عنوان ورودی برای پیش بینی قیمت یا ارزش پایان روز (t+n)اُم مورد استفاده قرار می گیرد (t یک روز جاری است). در چنین سناریوهایی احساس می شود هنگامی که مقدار n افزایش می یابد، پیش بینی به طور فزاینده ای بر اساس مقادیر پارامترهای آماری است و در نتیجه به اندازه کافی دقیق نیست. از این بحث ها به روشنی می توان فهمید که بایستی این مشکل را حل نمود و پیش بینی دو مرحله ای می تواند این شکاف را به حداقل برساند و مرحله خطا کاهش را کاهش دهد. تصور بر این است که موفقیت مدل پیشنهادی دو مرحله ای واقعاً می تواند سهم قابل توجهی در تحقیق داشته باشد؛ زیرا می توان این روش را برای سایر وظایف پیش بینی مانند پیش بینی، برآورد مصرف انرژی، پیش بینی GDP و غیره تعمیم داد. روش ترکیبی دو مرحله ای که در این مقاله پیشنهاد شده است، شامل رگرسيون بردار پشتیبانی (SVR) در مرحله اول است. مرحله دوم روش ترکیبی با استفاده از شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و رگرسیون بردار پشتیبانی (SVR) به مدل های پیش بینی SVR-ANN، SVR-RF و SVR-SVR می انجامد. عملکرد پیش بینی این مدل های ترکیبی با سناریوهای تک مرحله ای ANN، RF و SVR مقایسه گردیده است. سایر بخش های این مقاله به شرح زیر سازماندهی شده است. در بخش 2 به توصیف روش تک مرحله ای پرداخته شده است، در حالیکه تمرکز بخش 3 بر روی روش دو مرحله ای می باشد. بخش 4 به نتایج تجربی و بحث در مورد این نتایج می پردازد. در بخش 5 نیز به بحث و نتیجه گیری پرداخته شده است.
چکیده انگلیسی
The paper مقادیر یکپارچه در DAX focuses on the task of predicting future values of stock market index. Two indices namely CNX Nifty and S&P Bombay Stock Exchange (BSE) Sensex from Indian stock markets are selected for experimental evaluation. Experiments are based on 10 years of historical data of these two indices. The predictions are made for 1–10, 15 and 30 days in advance. The paper proposes two stage fusion approach involving Support Vector Regression (SVR) in the first stage. The second stage of the fusion approach uses Artificial Neural Network (ANN), Random Forest (RF) and SVR resulting into SVR–ANN, SVR–RF and SVR–SVR fusion prediction models. The prediction performance of these hybrid models is compared with the single stage scenarios where ANN, RF and SVR are used single-handedly. Ten technical indicators are selected as the inputs to each of the prediction models.
دات چیست؟ | معرفی ارز دیجیتال DOT (پولکادات / Polkadot)
بعد از شروع پر دستاندازی که شامل هک ۶۰% از بودجه ICO شرکت بود، پولکادات درنهایت آماده استفاده عمومی است. این بلاک چین نسل سوم، قابلیتهای کاربردی و تبادلاتی جدیدی را به بازار میآورد. درنتیجه، پولکادات در حال حاضر یکی از پروژههایی است که همه آن را دنبال میکنند و در زمانی که این مطلب را میخوانید پولکادات رتبه سوم را از نظر سهم بازار در میان تمام رمزارزها به دست آورده است. در ادامه درباره چرایی جذابیت این ارز دیجیتال توضیح دادهایم.
پولکادات (DOT) چیست؟
پولکادات یک محیط برنامهای چند زنجیرهای است که قابلیت ایجاد تبادلات زنجیرهای را روی سطحی غیرقابلتصور ممکن میسازد. به طور خاص، پولکادات این امکان را به کاربران میدهد تا چیزی بیشتر از ارز را در سرتاسر بلاک چین ارسال کنند. پولکادات به این شبکهها این امکان را میدهد تا با دادههای واقعی ارتباط برقرار کنند.
پولکادات چه مشکلاتی را حل میکند؟
پولکادات تلاش میکند تا یکی از پرفشارترین مسائلی که در بخش بلاک چین وجود دارد را حل کند و آن قابلیت همکاری است. در حال حاضر، بازار در موقعیت بخشبندی شدید است. بلاک چینها به عنوان جزایر جداگانهای از داده با کمترین راه استفاده از اطلاعات موجود در دیگر شبکهها، کار میکنند. پولکادات این نگرانیها را از طریق یکپارچهسازی انواع تکنولوژیهایی که مالک دادههای مختلف هستند، از بین میبرد. قابل ذکر است، پولکادات حتی قادر به انتقال اطلاعات از بلاک چینهای خصوصی به شبکههای عمومی و برعکس هم است.
مزایای پولکادات (DOT)
دلایل بیشماری وجود دارد که چرا باید بخواهید به چندین بلاک چین مجزا متصل شوید. یکی از آنها، توانایی ارسال هر نوع داده از طریق هر نوع بلاک چین است که انقلابی در این بخش ایجاد میکند. میتوانید این دادهها را از طریق بلاک چینهای عمومی، باز و بدون مجوز بفرستید و از بهترین ویژگیهای هر شبکه استفاده کنید.
به این ترتیب، پولکادات دوره جدیدی در مقیاسپذیری، تبادلات و امنیت به حساب میآید. معماری انعطافپذیر و سازگار شرکت، تکنولوژی ساختمان از جمله پلتفرمهای قرارداد هوشمند را تسهیل میکند. به این ترتیب، توسعهدهندگان میتوانند شروع به ساخت اپلیکیشنهای نسل بعدیای بکنند که دادههای مجاز را از یک بلاک چین خصوصی دریافت میکند و بر روی یک بلاک چین عمومی استفاده میکند. برخی تحلیلگران این تواناییها را مطرح میکنند و میگویند پولکادات تهدیدی معتبر برای تسلط اتریوم است.
پولکادات چگونه کار میکند؟
سیستم پولکادات به روشی منحصر به فرد کار میکند که شبکهای از بلاکچینهای ناهمگن که پاراچینز و پاراتریدز نامیده میشوند را متحد میسازد. این زنجیرهها توسط زنجیره پولکادات به یکدیگر متصل و ایمن میشوند. همچنین مواردی وجود دارند که این زنجیرهها به شبکههای خارجی نیز از طریق پل، متصل میشوند. این طراحی، قابلیت انعطافپذیری بیشتری به پولکادات داده است. در ادامه به برخی مؤلفههای اصلی شبکه خواهیم پرداخت:
زنجیره تقویت
در هسته عملکرد پولکادات، زنجیره تقویت وجود دارد. این پروتکل، مسئولیت امنیت مشترک شبکه، توافق عام و تبادلات در سرتاسر زنجیره را بر عهده دارد. قابل ذکر است، توافق عام مقادیر یکپارچه در DAX زنجیره تقویت توسط دو مکانیسم توافق عام واحد به دست میآیند. اولی برای تولید بلوک و دیگری برای کمک به دستیابی به نتیجه نهایی کمک میکند.
پاراچینز
پاراچینز، بلاکچینهای مستقلی هستند. اینها شبکههایی هستند که ارز خودشان را دارند. در بیشتر موارد، این شبکهها برای موارد خاص استفاده، بهینه میشوند. خب، پاراچینز به راحتی میتوانند مکانیسمهای حکمرانی خود را طراحی کنند و این امکان را دارند تا با حداکثر آزادی بدون تأثیر بر دیگر پاراچینز، کار کنند.
پاراتریدز
پاراتریدز درست مشابه پاراچینز عمل میکند اما با چند تغییر کوچک. این شبکهها روی مدلی پولی راهاندازی میشوند. این مدل برای بلاکچینهایی که برای عملکرد صحیح نیاز به اتصال پیوسته به شبکه ندارند، بسیار مقرون به صرفه است.
پلها
دیگر ویژگی مهم، پلها هستند. این پروتکل به پاراچینز و پاراتریدز اجازه میدهد تا به شبکههای خارجی مثل بیت کوین متصل شوند و با آن ارتباط برقرار بکنند. پلها، قابلیت تبادلات شبکه را گسترش میدهند.
ارز دیجیتال دات (DOT)
ارز دیجیتال دات، ارز شبکه پولکادات به شمار میرود. به همین ترتیب، چند نقش حیاتی در سیستم ایفا میکند. درواقع از این ارز برای مشارکت در تصمیمات حکمرانی از جمله ارائه پیشنهادات، رأی دادن و پیوندها استفاده میشود. همچنین میتوان به آن به عنوان یک سیستم پرداخت الکترونیکی هم نگاه کرد.
حکمرانی
پولکادات دارای یک مدل حکمرانی چند لایه است. این مدل امکان بهروزرسانی پروتکلها را بدون نیاز به هدایت سخت فراهم میکند. این سیستم برای یکپارچه سازی جامعه، امکان رأیگیری شفاف درون زنجیرهای را فراهم میکند. جامعه پولکادات را دو گروه تشکیل میدهند:
اعضای شورا
اعضای شورا به نمایندگی از سهامداران منفعل انتخاب میشوند. این گرهها دو نقش اساسی ایفا میکنند. آنها میتوانند همهپرسیهای جدید رد شبکه پیشنهاد بدهند و میتوانند پایین پیشنهادهایی که خطرناک به نظر میرسد یا مقرون به صرفه نیست، رأی منفی بدهند و آن را رد کنند.
کمیته فنی
شبکه همچنین از کمیته فنی نیز تشکیل شده است. این گروه متشکل از تیمهایی است که به طور فعال، پولکادات میسازند. مسئولیت آنها شامل پیشنهاد همهپرسی اضطراری میشود. این سیستم به ردیابی رأیگیری و اجرای مهمترین بهروزرسانیها در شبکه کمک میکند.
توافق عام گرندپا (پدربزرگ)
پولکادات رویکرد متفاوتی نسبت به مکانیسمهای توافق عام دارد. این پلتفرم، مکانیسم توافق عام جدیدی را به بازار معرفی میکند که گرندپا. این مکانیسم شبکه امن و مقاومی برای پولکادات فراهم میکند. به طور خاص به شبکه این اجازه را میدهد تا امن شود. این محافظت و امنیت به دست آمده سپس برای همه اعمال میشود.
گرندپا
گرندپا در مقایسه با ارزهای دیجیتال نسل قبلی مثل اتریوم به مراتب مقیاسپذیرتر است. برای مثال، اتریوم میتواند 12 دور در ثانیه را مدیریت کند. گرندپا بهروزرسانی بزرگتری را پیشنهاد میکند. این سیستم زمان تأیید تقریباً فوریای دارد. به طور میانگین، در شرایط عادی شبکه، تراکنشها کمتر از 1 ثانیه طول میکشند تا تکمیل شوند. برای انجام این کار، گرندپا، چند نقش جدید به سیستم توافق عام معرفی میکند.
کاندیداها
کاندیداها وظیفه ایمنسازی زنجیره تقویت را دارند. این کار به کاندیداهایی نیاز دارد تا اعتبارسنجان قابل اعتماد را انتخاب کنند و نقاطی را در اکوسیستم مشخص کنند.
اعتبارسنجان
اعتبارسنجان مسئولیت ایمنسازی زنجیره تقویت را دارند. اعتبارسنجان با جمع کردن نقاط، تأیید صحت آنها از طرف دستهبندی کنندگان و شرکت در توافق عام با دیگر اعتبارسنجان شبکه، این کار را انجام میدهند.
دستهبندی کنندگان
هدف دستهبندی کنندگان، حفظ خردهها با جمعآوری تراکنشهای خرد از کاربران است. به محض این که اطلاعات جمعآوری شد، دستهبندی کنندگان اسناد معتبری برای اعتبارسنجان تولید میکنند.
ماهیگیران
شبکه همچنین از برخی پروتکلهای نظارتی منحصر به فرد تحت عنوان ماهیگیران استفاده میکند. این گرهها، شبکه را تحت نظر میگیرند و رفتارهای بد را به اعتبارسنجان گزارش میدهند. قابل ذکر است، دستهبندی کنندگان و هر گره کامل پاراچینی میتواند نقش ماهیگیر را در اکوسیستم پولکادات ایفا کند.
مقادیر یکپارچه در DAX
سهام یاب از سال 1391 تحت عنوان شبکه هوشمند سرمایه گذاری و اطلاع رسانی بورس ایران شروع به کار کرد. این مجموعه در راستای اطلاع رسانی آخرین وضعیت بازار بورس، آخرین معاملات شرکت ها، اخبار و اطلاعیه های آن ها و ایجاد محیطی یکپارچه برای به اشتراک گذاری ایده ها و نظرات کاربران تلاش می کند. . . ادامه خبر
با دوستان خود به اشتراک بگذارید
پیش بینی بورس 6 اردیبهشت 1400 / روند نزولی بازار سرمایه ادامه دارد؟
. ، بنابراین در رویکرد جدید همزمان انتشار گزارش تفسیری مدیریت همراه با گزارش اطلاعات پیش بینی سود مورد تاکید نهاد ناظر بازار است. انصاری مهیاری ادامه داد: نهاد ناظر در رویکرد جدید به استفاده دانش فنی و تخصصی تحلیلگران بازار مانند شرکت های مشاور سرمایه گذاری و ارزش گذاری، مدیریت صندوق های سرمایه گذاری تاکید دارد. وی یکی دیگر از تصمیمات مهم سازمان را انجام به مرور زمان رتبه .
دولت به بورس پول تزریق می کند؟
تنظیم و در جلسه سران قوا ارائه خواهد شد. پیش از این محمد علی دهقان دهنوی، رئیس سازمان بورس هم درباره تزریق پول از سوی دولت به بورس گفته بود: قرار است منابع قابل توجهی از سوی صندوق توسعه بازار وارد بورس شود. او اما مشخص نکرده بود که این منابع مالی از کدام محل و به چه میزان به بازار سهام تزریق خواهد شد اما برخی اطلاعات نشان می دهد که سازمان بورس در تلاش است دولت را برای تزریق این منابع ترغیب .
چه بر سر بورس آمد و چگونه احیا خواهد شد
سهام به عنوان وثیقه تسهیلات از جانب بانک های عامل. 9. منطقی کردن نرخ تسعیر ارز بانک ها با توجه به نرخ با ثبات ارز در سامانه نیما. 10. عدم اتخاذ تصمیم و قوانین جدید تاثیرگذار بر بورس بدون هماهنگی با شورای عالی بورس. 11. سپرده گذاری مالیات نقل و انتقال سهام به مدت یکسال در صندوق توسعه بازار (بالغ بر 18 همت). 12. واریز جریمه تخلفات بازار سرمایه به صندوق توسعه بازار. 13 .
نامه فعالان بازار سرمایه به بانک مرکزی
ها به فعالان بورس 6. الزام مدیران شرکت های دولتی و زیر مجموعه هایشان و حتی بانک ها در راستای حمایت از سهام زیر مجموعه های خود به ویژه سهامی که دوره رونق از جانب این بخش ها واگذار شده است. شایان ذکر است طبق مصاحبه های اخیر ریاست محترم بانک مرکزی، ایشان معتقد است قیمت های کنونی بازار سرمایه ارزنده است و به طور طبیعی این موضوع از نقطه نظر اقتصادی نیز توجیه پذیر است. 7. عدم الزام صندوق ها .
راهکارهای ساماندهی بازار سرمایه بررسی شد
کارشناسی خود آنها برای بهبود شرایط استفاده کنیم. رییس سازمان بورس و اوراق بهادار ضمن تشکر از کمیسیون اقتصادی مجلس شورای اسلامی و قوه مققنه که از بازار سرمایه و مردم پشتیبانی کرده اند، تصریح کرد: علاوه بر جلسه امروز در کمیسیون اقتصادی مجلس، نشست هایی نیز در ستاد اقتصادی دولت با موضوع ساماندهی بازار سهام برگزار شده است. به گفته دهقان دهنوی، برنامه های متنوعی برای ارائه اطلاعات .
بلاخره میزان واریزی صندوق توسعه ملی به بورس لو رفت
به گزارش تحریریه ، رییس هیئت عامل صندوق تثبیت بازار سرمایه درباره واریز منابع صندوق توسعه ملی به بورس میگوید: صندوق توسعه ملی تنها 40 درصد از تعهدات خود در برابر صندوق توسعه بازار در سال 99 را اجرایی کرده و 60 درصد از تعهدات این صندوق هنوز عملی نشده است. در سال 99 حدود 2.5 هزار میلیارد تومان از سوی صندوق توسعه ملی و سازمان بورس به صندوق تثبیت بازار تزریق و صرف خرید سهام شده است. در 5 ماه پایانی سال 99 ارزش معاملات صندوق تثبیت بازار به حدود 9 هزار میلیارد تومان رسیده است. پایان/ .
صندوق جسورانه سرو در استارتاپ دکتر ساینا سرمایه گذاری کرد
پیشگیری و درمان افراد جامعه کردند و مردم با استفاده بیشتر از خدمات این پلتفرم ها باعث رشد و توسعه این کسب و کارها شدند. آنطور که حیدری می گوید صندوق جسورانه سرو در دو سال گذشته این بازار را زیرنظر داشته و کسب و کارهای فعال در این حوزه را مورد بررسی قرار داده است. با ارزیابی های انجام شده روی استارتاپ های حوزه سلامت دیجیتال، این صندوق تصمیم به سرمایه گذاری روی استارتاپ دکتر ساینا گرفته است .
واگذاری سهام دولت و شرکت های دولتی از طریق ETF
تخفیف 30 درصد که سقف مجاز تخفیف بر اساس قانون بودجه سال 1399 بوده است، دولت توانست 13.8 هزار میلیارد تومان منابع از بازار سهام جذب کند. قیمت پایانی این صندوق در روز بازگشایی 11374 تومان بوده است. به بیانی دیگر، هر شخصی که در روز پذیره نویسی این صندوق مشارکت کرده است، در پایان معاملات روز بازگشایی با احتساب 30 درصد تخفیف دولت به خریداران واحد های این صندوق حدود 13 درصد بازدهی کسب کرده است. .
جزئیات جلسه بورسی کمیسیون اقتصادی/ارائه 9 پیشنهاد برای حمایت از بورس
همچنین دیدگاه های مسئولان بازار سرمایه برای حمایت از بورس ، مورد ارزیابی و بررسی قرار گرفت:افزود: در این جلسه حدود 7 پیشنهاد جمع بندی و برای ارائه گزارش به مسئولان مربوطه آماده شد. عضو کمیسیون اقتصادی در تشریح این پیشنهادات عنوان کرد: کاهش مالیات بر نقل و انتقال سهام و همچنین تمام یا بخشی از مالیات بر نقل انتقال سهام که پیش از این مستقیما به حساب سازمان امور مالیاتی منتقل می شد به صندوق .
بیراهه سیاستی در بازار سهام
حسن روحانی در این جلسه با اشاره به نقش محیط سیاسی در عملکرد بازار سرمایه گفت: همچنان که افق مثبت در فضای تولید و تجارت کشور و رفع تحریم ها و محدودیت های خارجی و داخلی، محاسبات سرمایه گذاران در بازار سهام را تحت تاثیر قرار می دهد و آنها را به تقاضای بیشتر در بازار و سرمایه گذاری در واحدهای تولیدی کشور تشویق می کند، ایجاد نگرانی نسبت به دسترسی به بازارها و توان صادراتی بنگاه های اقتصادی نیز اثر منفی بر بازار تحمیل می کند. رئیس جمهور با تاکید بر حمایت همه جانب .
راهکارهای رییس سازمان بورس برای بهبود بازار سهام
در شورای عالی هماهنگی اقتصادی سران قوا بررسی و درخصوص آنها تصمیم گیری شود تا بتوان با تدوین بسته سیاستی مناسب، پیام حمایت از بازار سرمایه را به سهامداران منتقل کرد. رئیس سازمان بورس، تقویت تقاضا در بازار سرمایه را یکی از راهکارهای بهبود شرایط دانست و ادامه داد: در ماه های گذشته تقاضا تضعیف شده که می توان با استفاده از ظرفیت های بازار سرمایه، طرف تقاضا را در بازار تقویت کرد. .
همه آنچه باید درباره کارگزاری توازن بازار بدانید
مجموعه هستند. این اپلیکیشن ها از طریق گوگل پلی، کافه بازار، صحرا، تدبیر پرداز و به صورت مستقیم از وب سایت توازن بازار قابل دانلود است. 9. داشتن مقادیر، معاملات بورس و فرابورس، معاملات آتی، معاملات بورس کالا، صندوق های سرمایه گذاری، ابزارهای معاملاتی، تامین مالی، ابزار تحلیل تکنیکال، سامانه سهام عدالت، تابلوی چرخشی و . از ویژگی های سایت این کارگزاری محسوب می شوند. .
9 نکته درباره کارگزاری بانک سامان
صندوق سرمایه گذاری مشترک، مشاوره پذیرش شرکت ها در بورس، ارائه خدمات معاملات آنلاین و . را به دست آورده است. 6. کارگزاری بانک سامان دارای بیش از 30 هزار مشتری وفادار و پنج شعبه در نقاط مختلف کشور است. این مجموعه در چهار بازار سرمایه ایران فعالیت دارد. 7. مطالب این کارگزاری در بخشی تحت عنوان نبض بازار منتشر می شود. آخرین مطلب ارائه شده این قسمت درباره مدت زمان فاصله خرید و .
سهام چگونه از سکه افتاد؟
چشمگیری کاهش یافته و در مقابل حجم معاملات اوراق بدهی، فارغ از این که چه کسی در حال خرید آن است، به شدت افزایش یافته است. این ارقام نشان می دهد نقدینگی که پارسال در همین دوره صرف خرید سهام می شد، امسال به دلیل تغییر مولفه های اقتصادی، به سمت معاملات اوراق بدهی مهاجرت کرده است. بخش عمده این اوراق بدهی را بانک ها و صندوق های سرمایه گذاری خریده اند، سرمایه گذاران خرد نیز تحت تأثیر تغییر رویکرد .
برتری بورس نسبت به سایر روش های سرمایه گذاری
صورت آپارتمان، خانه یا حتی زمین باشد، ممکن است بعد از مدت کوتاهی دچار استهلاک شده و از ارزش اصلی آن کاسته شود. اما چنین مواردی در بورس جایی ندارند. کلاه برداری در بازار مسکن، بسیار شایع است. اما در بازار سهام به دلیل نظارت مستقیم سازمان بورس بر معاملات انجام شده، خرید و فروش سهم ها در بستری امن انجام می شود. در سال های گذشته، بازار مسکن، رشد چندانی نداشته و حتی گاهی در رکود .
در سالی که گذشت چه بر سر بازار سرمایه آمد؟ / سرمایه گذاری غیرمستقیم همچنان در حاشیه
سود بسیار پایینی را ثبت کردند که این داده ها از منظر علمی داده پرت محسوب می شوند. با تعمیم سود زمستان شرکت ها می توان انتظار داشت که این نسبت در حال حاضر حتی از میانگین تاریخی آن نیز بسیار پایین تر باشد. تامین مالی در بازار سرمایه از محل صرف سهام، عرضه اولیه شرکت ها در بورس و انتشار اوراق بدهی شرکت ها انجام می شود. نکته ای که در سال گذشته و همچنین سال های قبل در این رابطه قابل توجه .
بورس چگونه به رونق می رسد
ایستادند تا آن ها هم از این بازار سودی ببرند. در روز های آغازین سال وزیر اقتصاد از توجه ویژه دولت به بازار سرمایه گفت و بازار سرمایه را سکوی جهش اقتصادی خواند و مردم را برای ورود به این بازار با عرضه های اولیه و یا فروش سهام دولتی در بازار تشویق کرد. رونق و ورود نقدینگی به بازار باعث شد تا شرکت های زیادی برای ورود به بورس تلاش کنند همین موضوع باعث شد تا برنامه بورس تهران برای .
تامین کسری بودجه دولت از بورس، افتخار ندارد!
. ، نتیجه آن است که حجم معاملات و کاهش نقدشوندگی را خنثی خواهیم کرد. پس به طور کلی روند عمومی بازار باید به این شکل پیش رود که مانع تراشی از بین رفته و جریان اصلی ورود نقدینگی روان شود. تحلیلگر بازار سرمایه افزود: در عین حال باید با مجموعه سیاستگذاری هایی که صورت می گیرد، بتوان رضایت مندی فعالان بازار و صاحب نظران کهنه کار بورس را جلب کرد و منطقی را در تصمیمات به کار گرفت که به صلاح .
هشت راهکار برای بهبود بازار سرمایه
سازمان بورس و بانک مرکزی گاها مانع از این کار می شود. از کفایت سرمایه کارگزاری ها تا عدم پذیرش سهام به عنوان وثیقه نمونه هایی از این دست هستند. بازار سرمایه ایران قادر به تامین منابع از درون خویش است ولی تحقق این امر نیاز به پالایش قوانین دارد. لذا تقاضا می شود به ریاست سازمان بورس و بانک مرکزی دستور دهید با فوریت زمانی مسیر را برای علاقه مندان به سرمایه گذاری بلندمدت حدالامکان تسهیل نمایند. .
عبدالهی: در مسیر امسال دولت الکترونیک به سمت هوش تجاری حرکت می کنیم
ارزیابی دولت الکترونیک وزارت اقتصاد رتبه نهم را کسب کرد. او افزود: خزانه داری الکترونیک و سامانه مدیریت بدهی و تسویه اسناد خزانه در سال گذشته به سرانجام رسید و در زیر مجموعه های وزارتخانه نیز پروژه هایی چون پنجره واحد خدمات مالیاتی، دریافت کد یکتا برای بیمه، استفاده از تجهیزات هوشمند برای ردیابی و ارزشیابی کالاها، سجام و توزیع سود سهام به صورت الکترونیکی محقق شد. سامانه خزانه داری .
نقش بانک مرکزی در سقوط کم سابقه بورس؛ از تصمیمات غیرکارشناسی تا مخالفت آشکار
شد؟ این کارشناس بازار سرمایه با بیان این پرسش که "داستان این روزهای بازار سرمایه و بانک مرکزی داستان صداقت یا سیاست است، و یا داستان تعصب یا هر موضوع دیگری؟" گفت: فصل جدید این داستان به اواخر سال 98 برمی گردد؛ زمانی که در یک روز تعطیل رئیس بانک مرکزی با تصمیم کارشناسی هیئت مدیره سازمان بورس مخالفت کرد و به صراحت با تغییر دامنه نوسان قیمت در بازار سهام مخالفت نمود تا بازار سرمایه به ا .
بورس با فرابورس چه تفاوتی دارد؟
به گزارش تجارت نیوز ، مهدی قلی پور کارشناس بازار سرمایه، در پاسخ به این سوال که چه فرقی بین بورس و و فرابورس بازار پایه وجود دارد؟ اظهار کرد: بازار های تحت نظارت سازمان بورس و اوراق بهادار که خود شرکت های مستقل سهامی هستند، به ترتیب قدمت، شرکت بورس، بورس کالا، فرابورس و بورس انرژی هستند که اوراق بهادار شامل سهام، حق تقدم، اوراق مشارکت، اوراق صکوک، امتیاز تسهیلات مسکن، اوراق مشتقه و واحد های صندوق .
پیش بینی بورس 4 اردیبهشت 1400 / بازار سرمایه مثبت می شود؟
صندوق توسعه باعث شده فعالان بازار دیگر اعتمادی به صحبت های مسئولان نداشته باشند. بورس تنها راه نجات اقتصاد کشور است که احتیاج به تصمیمات کارشناسی و دقیق دارد نه تصمیمات عجولانه و مسکن های موقتی . تمدید مهلت تکمیل مدارک در هیات مدیره سهام عدالت به اطلاع آن دسته از اشخاص حقیقی که تا 28 فروردین سال جاری برای عضویت در هیات مدیره شرکت های سرمایه گذاری استانی سهام عدالت در سامانه ستان .
لزوم حمایت از بورس از طریق بازار بدهی
به گزارش پایگاه اطلاع رسانی شبکه ایران کالا، مهدی قلی پور کارشناس بازار سرمایه با اشاره به وضعیت بازار بدهی اظهار کرد: بازار سرمایه را می توان بر حسب نوع اوراق بهاداری که در آن معامله می شود، طبقه بندی کرد. در ایران این اوراق شامل سهام و حق تقدم، اوراق بدهی و اوراق مشتقه است که در یکی از تابلو های بورس، فرابورس، بورس کالا یا انرژی معامله می شوند؛ بنابراین بازار بدهی بازاری است که در آن اوراق بدهی .
آموزش تحلیل سهام در بازار سرمایه
تنها شفافیت و روشنگری در معاملات را تقویت می کند بلکه بازار را به سمت و سوی کارا بودن سوق خواهد داد. بدیهی است که این امر با افزایش انگیزش سهامداران، رقم معاملات در بورس را نیز افزایش داده و از نظر حجم معاملاتی فاصله بورس ایران را با کشورهای هم ردیف خود کاهش خواهد داد. در خصوص تحلیل قیمت سهام و سرمایه گذاری در دارائی های مالی در ادبیات مالی سه دیدگاه کلی وجود دارد که شامل روش .
سقوط شاخص سهام بازار های اروپایی
مردم نیوز : شاخص های سهام در بازار اروپا روندی پرتلاطم داشتند و سیر نزولی پیدا کردند. بر این اساس، شاخص سهام فوتسی در پایان معاملات امروز در بازار بورس انگلیس با 0.64 درصد کاهش معادل 44.36 واحد کاهش به شش 6893 واحد رسید. شاخص سهام دکس نیز در بازار بورس فرانکفورت آلمان با 1.7 درصد کاهش معادل 164 واحد کاهش به 15156 واحد رسید. شاخص سهام کک چهل در بازار بورس مقادیر یکپارچه در DAX فرانسه نیز با 0.60 کاهش معادل .
سقوط شاخص سهام بازار های اروپایی
به گزارش خبرگزاری ایران پرس ، شاخص "فوتسی"، بورس سهام لندن در پایان معاملات روز جمعه با 0.64 درصد کاهش (معادل 44.36 واحد کاهش) به 6893 واحد رسید. شاخص DAX مهمترین شاخص سهام در آلمان نیز با 1.7 درصد کاهش (معادل 164 واحد کاهش) به 15156 واحد رسید. شاخص سهام "کک چهل" در بازار بورس فرانسه هم با 0.6 کاهش به 6229 واحد رسید. در همین حال شاخص سهام "زوریخ اس ام آی" در بازار .
سقوط آزاد بیت کوین به کمتر از 50 هزار دلار
گزارشاتی از احتمال خارج کردن سهام صرافی دیجیتال کوین بیس از بورس فرانکفورت به دلیل ناقص بودن اطلاعات خواسته شده منتشر شده بود، مدیران بورس آلمان اعلام کردند در نظر دارند برای تکمیل مدارک به کوین بیس مهلت دهند. همچنین انتصاب گری گنسلر به سمت ریاست سازمان بورس و اوراق بهادار آمریکا خبر خوبی برای بازار رمزارزها محسوب می شود. وی جز، چهره های آشنا با رمزارزها در بین مقامات شناخته می شود. با .
بازدهی 57 درصدی این صندوق مختلط در سال گذشته
به 57 درصد رسیده است. ترکیب دارایی های صندوق بر اساس آخرین اطلاعات مندرج در وب سایت این صندوق شامل 47 درصد اوراق بدهی، 52 درصد سهام و حق تقدم شرکت ها و 1 درصد نیز سایر دارایی ها است. در جدول زیر صنایع اصلی تحت سرمایه گذاری این صندوق در بخش سهام و حق تقدم شرکت ها ارائه شده است. در جدول زیر سهام اصلی سرمایه گذاری شده توسط این صندوق ارائه شده است. لازم به ذکر است که .
دیدگاه شما