یکی از حوزه های جدید در مطالعات مالی استفاده از هوش مصنوعی به منظور ایجاد سیستم های پشتیبان تصمیم است. سیستم معاملاتی سهام یکی از انواع این سیستم هاست که به منظور یاری رساندن به سرمایه گذاران در اتخاذ تصمیم های سرمایه گذاری توسعه داده شده است. عملیات معاملاتی موفق بایست در نزدیکی نقاط برگشت در روند قیمت دارایی ها صورت پذیرد. در سالهای اخیر مطالعات متعددی بر روی ایجاد سیستم هایی که برگشت روند قیمت را نشان می دهند، متمرکز شده است. تحلیل تکنیکال که تلاش می کند سیگنال های معاملاتی را ارائه کند بسیار مورد استفاده قرار گرفته و معمولا بخشی از سیستم های معاملاتی را تشکیل می دهد. تحلیل تکنیکال بر پایه ی تعداد زیادی از قواعد تکنیکال تلاش می کند سیگنال برگشت روند را در اختیار سرمایه گذاران قرار دهد. اما نقطه ضعف آن وابستگی به تجربه سرمایه گذار در تعیین قواعد تکنیکال و پارامترهای آنهاست. در حقیقت عملکرد تحلیل تکنیکال بسیار وابسته به کیفیت تعیین پارامترهای تکنیکال است. در این مطالعه سعی شده است تا سیستمی معاملاتی بر پایه ی قواعد تکنیکال ایجاد شود و عملکرد آن با کمک الگوریتم ژنتیک و شبکه عصبی مصنوعی ارتقاء داده شود. الگوریتم ژنتیک کمک می کند پارامترهای تکنیکال به خوبی تعیین شوند و زمانی که قواعد مختلف سیگنال معاملاتی را پیشنهاد دادند، با استفاده از یک شبکه elman پیشنهاد معاملاتی را با ترکیب سیگنال های قواعد مختلف در اختیار قرار می دهد. نتایج به دست آمده بر اساس نمونه ای 15 تایی از سهام بازار ایران نشان می دهد عملکرد سیستم پیشنهادی از نظر آماری تفاوت معنی داری با عملکرد سیاست معاملاتی شناخته شده خرید و نگهداری دارایی ندارد و به عبارت دیگر از پتانسیل سودآوری مشابه ای برخوردار است.

چکیده یکی از مهم ترین مسائلی که همواره بانک ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری یا احتمال عدم ایفای تعهدات از سوی متقاضیان دریافت کننده تسهیلات اعتباری می باشد. رقم قابل توجه مطالبات معوق بانک ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می باشد. از این رو تاکنون تلاش های بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه بندی هرچه دقیق تر متقاضیان تسهیلات اعتباری صورت گرفته است. هدف اصلی این پژوهش بکار گیری روش حداقل مربعات ماشین بردار پشتیبان مبتنی بر الگوریتم ژنتیک (ga-lssvm) در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری می باشد. بدین منظور از مجموعه داده های بانک آلمان در پایگاه داده یادگیری ماشین uci جهت نمایش اثربخشی و دقت طبقه بندی کننده ga-lssvm استفاده شده است. نتایج مدل ارائه شده با مدل های آماری لاجیت و پروبیت و رویکردهای رایج در بهینه سازی پارامترهای حداقل مربعات ماشین بردار پشتیبان مقایسه شده است. یافته های تحقیق حاکی از آن است که در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، مدل ga-lssvm نسبت به سایر مدل های بررسی شده از عملکرد مطلوب تری برخوردار می باشد.

جنگ نرم و مفاهیم مشابه آن، مانند عملیات روانی، جنگ روانی، قدرت نرم و ... شاید قدمتی به اندازه حیات بشری داشته باشد.اما با پیروزی انقلاب اسلامی و استقرار جمهوری اسلامی ایران ،و آغاز جنگ تحمیلی و پس از خاتمه جنگ 8ساله ، پدیده جنگ نرم دنیای غرب علیه جمهوری اسلامی ایران به اشکال مختلف مانند نابسامانی اقتصادی، ایجاد نارضایتی در جامعه ایران، تأسیس سازمان های غیردولتی، جنگ رسانه ای، عملیات روانی برای ضعیف جلوه دادن قدرت نظام و ایجاد ناتوی فرهنگی متبلور شده است. عوامل براندازی نیز از زمینه های موجود در جامعه برای پیشبرد اهداف خود استفاده کرده و سعی در ایجاد نارضایتی بین افکار عمومی را دارند. از جمله این راهکارها در اجرای پروژه بهره برداری از وجود تنوع قومی و قبیله ای در ایران، دامن زدن به نافرمایی مدنی در تشکل های دانشجویی و ایجاد شبکه های رادیو و تلویزیون فارسی زبان خارج از کشور و همچنین ایجاد فضای سایبر با اهداف مشخصوبراندازانه علیه امنیت ملی ایران مشهود بوده است. اما هدف اصلی دراین پژوهش ، شناخت تأثیرات جنگ رسانه ای بر امنیت ملی جمهوری اسلامی ایران، شناخت اهداف، وسایل و مکانیزم های این نوع از جنگ نرم، دست یابی به شناختی از وضعیت امنیت ملی جمهوری اسلامی ایران و سطح تهدیدات موجود و در نهایت دست یابی به تعریفی از مفاهیم جنگ نرم و امنیت ملی می باشد. به منظور دستیابی به اهداف فوق، با رویکردی توصیفی و تحلیلی و با روش اسنادی، کتابخا نه ای اقدام به جمع آوری اطلاعات شد، سپس با سازماندهی فصول پژوهش، تحلیل خود را در این زمینه به همراه پیشنهادهایی ارائه کرده ام.