دسته: اخبار

«ماشین لرنینگ در بازارهای مالی» یا «Machine learning in financial markets» پدیده‌ای است که به برکت وجود هوش مصنوعی به دستمان رسیده است. البته استفاده از آن به سادگی حرف زدن یا نوشتن در موردش نیست، ولی راه‌های زیادی برای استفاده از ماشین لرنینگ در بازارهای مالی حتی بدون دانش برنامه نویسی وجود دارد.
در این مقاله قبل از هر چیز، مفهوم ماشین لرنینگ را بررسی می‌کنیم، مزیت‌ها و معایبش را زیر ذره‌بین می‌گذاریم و در نهایت به دنبال راه‌ها و روش‌هایی می‌گردیم تا بتوانیم به شکلی کاربردی و در دل بازار سرمایه از مزیت‌های ماشین لرنینگ استفاده کنیم.
اگر از آن دست سرمایه‌گذاران و تریدرهایی هستید که دوست دارند همراه با پیشرفت تکنولوژی، لباس تازه‌ای از ترید را بر تن کنند، تا پایان این مقاله با خانۀ سرمایه همراه باشید.
ماشین لرنینگ چیست و به چه کاربردی دارد؟
اجازه دهید یک قدم به عقب برگردیم و قبل از بررسی «ماشین لرنینگ در بازارهای مالی» نگاهی به اصل ماجرا یعنی پدیدۀ «ماشین لرنینگ» بیندازیم. اگر با «هوش مصنوعی» آشنا باشید، خیلی راحت با مفهوم «یادگیری ماشین» یا «Machine Learning» هم کنار می‌آیید؛ چون یادگیری ماشین، شاخه‌ای از همان هوش مصنوعی است. به زبان ساده، در یادگیری ماشین، انسآن‌ها تلاش می‌کنند ماشین‌ –بخوانید هوش مصنوعی– را به شکلی بسازند که از یک جایی به بعد دیگر برای یاد گرفتن و گسترش توانایی‌هایش به انسآن‌ها نیاز نداشته باشد؛ مثلاً داده‌ها را جمع‌آوری کند، از دل آن‌ها به الگوهای تازه‌ای برسد و براساس تحلیل‌هایش دست به اقدام بزند.
این همان موضوعی است که «ایلان ماسک» از قدرت آن، ترکیبش با ربات‌های انسان‌نما و تاثیری که می‌تواند روی بشریت بگذارد، هراسان است. ولی تا آن موقع که قدرت یادگیری ماشین علیه بشریت به کار رود –شاید هم نرود!-  روند انجام بسیاری از کارها برای انسان‌ها صدها برابر راحت‌تر می‌شود!
تاریخچه پیدایش ماشین لرنینگ
این فرایند تاریخچه‌ای طولانی دارد که از تئوری‌های «نورونی» در دهۀ 1940 آغاز شد و با شبکه‌های عصبی ابتدایی «پرسپترون‌» و «بک‌پروپاگیشن» در دهه 1970 و 1980 پیشرفت کرد؛ اما در آن زمان تفرقه‌ای میان هوش مصنوعی و یادگیری ماشین به وجود آمد.
تا دهۀ 1990، یادگیری ماشین به‌عنوان یک حوزۀ مستقل شناخته شد و با پیشرفت اینترنت و داده‌های دیجیتال به موفقیت‌های بزرگی رسید. در روزگار ما یادگیری ماشین در زمینه‌های مختلف مانند: «خودران‌ها»، «تشخیص گفتار»، «تشخیص چهره»، «بررسی نمودارهای مالی» و «پیش‌بینی قیمت‌ها» پیشرفت‌های چشمگیری کرده است.
انواع ماشین لرنینگ
چندین روش برای به کارگیری ماشین لرنینگ وجود دارد اما در کل، می‌توان این ماجرا را به چهار دستۀ کلی تقسیم کرد:
ماشین لرنینگ با یادگیری نظارت شده یا «Supervised Learning»
در یادگیری نظارت شده، ماشین یا هوش مصنوعی مورد نظر که آن را «مدل» هم صدا می‌زنند، با استفاده از داده‌های آموزشی که شامل «داده‌های ورودی» و «داده‌های خروجی» هستند آموزش می‌بیند. هدف از یادگیری نظارت شده این است که مدل یا همان هوش مصنوعی بتواند بعد از این آموزش، برای ورودی‌هایی که در آینده با آن‌ها برخورد می‌کند، خروجی‌های مرتبط و متناسبی را بسازد و یا پیش‌بینی کند.
ماشین لرنینگ با یادگیری نیمه نظارتی یا «Semi Supervised Learning»
روش یادگیری نیمه نظارتی، جایی در میان جادۀ نظارت کردن و نکردن ایجاد شده و بخشی از هر دو روش را در خود جای داده است. از این روش در مواردی استفاده می‌شود که هدف از آموزش به مدل، بالا بردن دقت یادگیری در شرایط نه چندان سخت باشد.
ماشین لرنینگ با یادگیری بدون نظارت یا «Unsupervised Learning»
مدل ما در شیوۀ یادگیری بدون نظارت، فقط با داده‌های ورودی آموزش می‌بیند و هیچ نوع دادۀ خروجی به او نمایش داده نمی‌شود. هدف از این نوع آموزش، آن است که مدل ما بتواند الگوها و ساختارهای مخفی شده در دل داده‌ها را کشف کرده و دانش ویژه‌ای را از این ماجرا بیرون بکشد. سپس با استفاده از این دانش، پاسخ یا همان خروجی درست را به ما تحویل دهد.
ماشین لرنینگ با یادگیری تقویتی یا «Reinforcement Learning»
مدل ما در شیوۀ یادگیری تقویتی، به روش «آزمون و خطا» آموزش می‌بیند. به این ترتیب که وقتی با توجه به داده‌هایی که دارد یک مسئله را درست حل می‌کند، پاداش می‌گیرد؛ اما وقتی در پیش‌بینی یا راه‌حل‌هایی که پیشنهاد می‌دهد اشتباه ‌کند، جریمه می‌شود. این روش به مدل هوش مصنوعی ما یاد می‌دهد که همیشه خود را برای یافتن بهترین و درست‌ترین پاسخ تقویت کند.

هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ چه ارتباطی با هم دارند؟
بسیاری از ما این سه مفهوم را با هم اشتباه می‌گیریم. با وجود آنکه این موارد در بخش‌های زیادی با هم همپوشانی دارند، ولی درنهایت نمی‌توانیم همۀ آن‌ها را در یک کاسه بریزیم و نام خاصی را روی همۀ آن‌ها بگذاریم. اجازه دهید این سه مفهوم را با سه تعریف ساده پیش ببریم:

هوش مصنوعی: به احتمال بسیار زیاد با این مفهوم، سلام و علیک کرده‌اید. هوش مصنوعی که بسیاری از ما آن را با «چت جی پی تی» (Chat GPT) شناخته‌ایم، ماشین قدرتمندی است که می‌تواند از هوش بشری تقلید کند.
ماشین لرنینگ: بخشی از هوش مصنوعی است که به ماشین‌ یا مدل ما اجازه می‌دهد تا آموزش ببیند، خودآموزی کند و درنهایت برخی از کارها را با نظارت بسیار کم یا حتی بدون نظارت انسان‌ها انجام دهد. بررسی ماشین لرنینگ در بازارهای مالی، شاخه‌ای از همین بخش است.
یادگیری عمیق: بخشی از ماشین لرنینگ و یا حتی کاربردی از آن است که الگوریتم‌ها و شبکه‌های عصبی رایانه‌ای رنگارنگ را برای بهتر و عمیق‌تر آموختن و واکنش نشان دادن مدل‌ها در اختیارشان قرار می‌دهد.

مزیت‌های ماشین لرنینگ چیستند؟
اگر از کسی که سررشته‌ای در هوش مصنوعی، برنامه‌نویسی یا مواردی از این دست ندارد بپرسیم که آیا تا به حال از ماشین لرنینگ استفاده کرده یا نه، به احتمال زیاد، پاسخ منفی می‌دهد. ولی در حقیقت، مردم دنیا مدت‌هاست که در قلب زندگی‌شان در حال استفاده از مزیت‌های ماشین لرنینگ هستند.
نمونۀ روشنش همین «گوگل» که با استفاده از ماشین لرنینگ، داده‌های مورد نیاز و مورد علاقۀ کاربر را از دل میلیاردها میلیارد دادۀ عجیب و غریب بیرون می‌کشد و دو دستی در صفحۀ اول خودش تقدیم کاربر می‌کند. با وجود آنکه موضوع گپ و گفت ما بررسی ماشین لرنینگ در بازارهای مالی است، ولی اجازه دهید که قبل از آن نگاهی کلی‌تر به مزیت‌های ماشین لرنینگ بیندازیم:

کم شدن هزینه‌ها

وقتی ماشین‌ها یاد بگیرند که چطور بدون کمک انسان‌ها وظایف خودشان را تشخیص داده، آن‌ها را انجام بدهند و حتی به تنهایی با چالش‌ها روبه‌رو شوند، می‌توانند به اندازۀ قابل توجهی در هزینه‌ها صرفه‌جویی کنند. این را هم بگوییم که منظور از این صرفه‌جویی، فقط مالی نیست؛ بلکه صرفه‌جویی در زمان، انرژی و نیروی انسانی را هم شامل می‌شود.

خودکارسازی فرایندها

ما حتی الان که استفاده از ماشین لرنینگ برای همۀ مردم عادی نیست، خواسته یا ناخواسته از این ظرفیت برای خودکارسازی کارها استفاده می‌کنیم. همین موضوع، زمان ما را برای انجام کارهایی مهم‌تر نجات می‌دهد و حجم زحمتی که باید بکشیم را بسیار کم‌تر می‌کند.

ماشین لرنینگ چه درصورتی‌که به‌طور مستقیم در امور مالی از آن استفاده شود و چه در حالتی که به‌عنوان یک دستیار در کسب و کارها به خدمت گرفته شود، پتانسیل زیادی برای افزایش درآمد افراد آن هم به شکلی بسیار ساده دارد. شاید بتوان گفت که در این زمینه، یک گام به آن آرزوی رویایی راحت ثروتمندتر شدن نزدیک می‌شویم.

کمک به بهبود رشد کسب و کارها

ماشین لرنینگ می‌تواند با توانایی خود در تحلیل ابرداده‌ها و بیرون کشیدن نکته‌هایی که به این راحتی‌ها کشف نمی‌شوند، اولویت‌بندی‌های متفاوتی را برای پیشرفت یک کسب و کار و محصولاتی که به احتمال زیاد با استقبال مخاطب روبه‌رو می‌شوند و… ایجاد کند.
معایب ماشین لرنینگ کدامند؟
با وجود آنکه ماشین لرنینگ یکی از ابزارهای پر قدرت هوش مصنوعی است و توانسته در بسیاری از موارد، نتیجه‌های درخشانی را به دست بیاورد، ولی با این وجود، همانند هر تکنولوژی دیگری نقطه‌ ضعف‌هایی هم دارد که باید به آن‌ها توجه کرد؛ مثلاً:

وابستگی ماشین لرنینگ به داده‌ها

مدل‌های ماشین لرنینگ برای یادگیری و تصمیم‌گیری به داده‌های آموزشی بسیار زیادی نیاز دارند. اگر داده‌ها به درستی معرفی نشوند یا اشتباه باشند، مدل نهایی هم نمی‌تواند به درستی از پس دستوراتی که به آن داده می‌شود برآید.

ضعف در انتقال‌پذیری مدل‌ها

برخی از مدل‌های یادگیری ماشین، وقتی با داده‌های تخصصی در یک زمینه آموزش داده می‌شوند، دیگر نمی‌توانند در زمینه‌ای به جز آنچه که آموزش دیده‌اند خدمت‌رسانی کنند. بسته به اینکه از چه پنجره‌ای به این ماجرا نگاه می‌کنیم، این موضوع هم می‌تواند یک نقطه ضعف و هم یک نقطه قوت به حساب آید.

پیچیدگی بیش از اندازه مدل

بعضی از مدل‌های ماشین لرنینگ بسیار پیچیده هستند و برای رسیدن به نتیجۀ مورد نظر به منابع محاسباتی زیادی نیاز دارند؛ به‌ویژه وقتی این کار را در مقیاس بزرگ انجام می‌دهند، شدت این نیاز هم بیش‌تر می‌شود.

احتمال ایجاد باگ تصمیم‌گیری

برخی از مدل‌های ماشین لرنینگ به دلیل پیچیدگی فراوانی که در الگوریتم‌هایشان به وجود می‌آید، نمی‌توانند از دایرۀ محاسباتی و تحلیلی‌ای که برای خودشان ساخته‌اند بیرون بیایند و آن را به یک نتیجۀ مشخص تبدیل کنند. به دنبال این ماجرا، مدل ما توانایی تصمیم‌گیری را از دست می‌دهد.

آیا بانک‌ها هم از قدرت ماشین لرنینگ استفاده می‌کنند؟
دنیای پول، سرمایه و بازارهای مالی به طرز عجیبی سرشار از داده هستند. می‌توانیم اینطور بگوییم که قدرت گرفتن هوش مصنوعی و ماشین لرنینگ به داد این بخش رسیده و کمک بزرگی به مدیریت داده‌های آن کرده است.
یکی از شیفتگان استفاده از ماشین لرنینگ در بازارهای مالی، بانک‌ها هستند. آن‌ها از قدرت ماشین لرنینگ برای مدیریت داده‌ها، خودکارسازی فرایندها و از همه مهم‌تر گرفتن مچ کلاهبردارهای حرفه‌ای در بازارهای مالی استفاده می‌کنند. اجازه دهید کمی بیش‌تر برایتان توضیح دهیم.

دادن یک هُل اساسی به بانکداری الکترونیک

با وجود اینترنتی شدن بسیاری از فرایندها هنوز هم مردم زیادی در بخش‌های مختلف دنیا مجبور هستند برای انجام بعضی از کارها خودشان به بانک بروند. این در حالی است که دولت‌ها داده‌های بسیار زیاد و تکرار‌ی‌ای از مردم دارند.
یک شهروند در شکل‌ها و با اهداف مختلف توسط دولت و مؤسسه‌های مرتبط به آن احراز هویت می‌شود. با این وجود، از این داده‌ها برای راحت‌تر و سریع‌تر شدن فرایندهای بسیار ساده‌ای مثل «افتتاح حساب» خیلی کم‌تر استفاده می‌شود.
اگر بانک‌ها از فناوری ماشین لرنینگ در بازارهای مالی به خوبی استفاده کنند، می‌توانند سهم قابل توجهی در «کاهش ترافیک شهری»، «صرفه‌جویی در زمان، هزینه، انرژی و اعصاب مردم» داشته باشند؛ چون می‌توانند حجم تمام این مدل کارها را به اندازۀ یک کلیک کردن کم کنند.

تجزیه و تحلیل اعتباری و تصمیم‌گیری در مورد اعطای وام

بررسی سندها، دارایی‌ها یا حتی اعتبارسنجی افراد در مورد توانایی بازپرداخت وام‌ها یکی از موارد بسیار وقت‌گیر و کلافه‌کننده‌ای است که هم بانک‌ها و هم متقاضیان وام از دست آن شکایت‌های بسیاری دارند.
استفاده از ماشین لرنینگ در بازارهای مالی به بانک‌ها این امکان را می‌دهد تا با استفاده از الگوریتم‌های مختلف، الگویی از متقاضیانی که پتانسیل کمی در پرداخت قسط‌های وامشان دارند را شناسایی کرده و آن‌ها را از افرادی که در زمینۀ وام، سوگولی بانک‌ها به شمار می‌روند سوا کنند. در این صورت، شاید فردی که از ابتدا توانایی دریافت وام را ندارد، با زدن چند دکمه از این موضوع با خبر شود و خودش و کارمندان بانک را خلاص کند!

تشخیص تقلب و کلاهبرداری مالی از بانک‌ها و مؤسسه‌های مالی

ماشین لرنینگ در بازارهای مالی می‌تواند با تحلیل الگوها، بررسی ویژگی‌ها و رفتار مالی مشتریان و زیر نظر گرفتن تراکنش‌های مالی آن‌ها خیلی سریع‌تر از هر کارمند یا نابغه‌ای، تقلب و کلاهبرداری را در مقیاس کوچک و بزرگ تشخیص دهد.
از این گذشته، می‌تواند با توجه به دستورها و آموزش‌هایی که از قبل دیده، شیوۀ برخورد مناسب را در لحظه  تشخیص داده و براساس آن وارد عمل شود؛ مثلاً به محض تشخیص یک حساب مشکوک به کلاهبرداری، آن را مسدود کند.

استفاده از ماشین لرنینگ در ترید و سرمایه‌گذاری؟ آری یا نه؟
خوشبختانه، امکان استفاده از مزیت‌های ماشین لرنینگ در بازارهای مالی فقط در دست بانک‌ها و مؤسسه‌های مالی جهانی قرار ندارد و تریدرهای بازار هم سهمی در آن دارند. اجازه دهید چند مورد از بخش‌هایی که می‌توانیم از ماشین لرنینگ در بازارهای مالی به نفع خودمان استفاده کنیم را روی دایره بریزیم.
پیش‌بینی ریسک و بهبود تصمیم‌گیری
به‌عنوان یک تریدر یا سرمایه‌گذار می‌توانید از ماشین لرنینگ برای بهبود تصمیم‌های مالی و سرمایه‌گذاری خودتان کمک بگیرید. آسان‌تر شدن فرایند تحلیل داده‌ها یکی از مزیت‌های دم دستی ماشین لرنینگ به حساب می‌آید که می‌تواند در نقش فرشتۀ نجات برای سرمایه‌گذارها ظاهر شود و آن‌ها را از آتش گرفتن سرمایه‌شان که در اثر اعتماد نا‌به‌جا به یک موقعیت یا سهام یا تحلیل اشتباه داده‌ها صورت گرفته است، نجات دهد.
از این گذشته، الگوریتم‌های «ماشین آموزی» یا همان ماشین لرنینگ خودمان می‌توانند خیلی راحت الگوها و روندهای گذشته را بررسی کرده و دیدگاه قابل اعتمادی در مورد ریسک و حتی بازده سرمایه‌گذاری‌هایتان به شما بدهند.
پیش‌بینی بازارهای مالی با کمک ماشین لرنینگ
ماشین لرنینگ می‌تواند از توانایی خود برای تجزیه و تحلیل داده‌ها و استخراج الگوهای نهفته در آن‌ها برای «پیش‌بینی دقیق‌تر روندها»، «کشف الگوی بازار و تغییرات مالی آن» استفاده کند. از این گذشته، مواردی مثل «تشخیص ارزش واقعی سهام»، «قیمت ارز» و دیگر دارایی‌های مالی برای یک مدل هوش مصنوعی که به شیوه‌های گوناگون آموزش دیده، کار راحتی خواهد بود.
مدیریت پورتفولیو
شما می‌توانید با کمک ماشین لرنینگ در بازارهای مالی، پورتفولیوی خودتان را خیلی بهتر و حرفه‌ای‌تر با خطای بسیار کم‌تری مدیریت کنید. در این زمینه، الگوریتم‌های مختلف و تکنیک‌های یادگیری ماشین که کمی قبل‌تر در موردشان گپ زدیم، بستری را برای مدیریت سبدهای سرمایه‌گذاری به وجود می‌آورند. برخی از کاربردهای یادگیری ماشین در مدیریت پورتفولیو عبارتند از:

پیش‌بینی قیمت سهام، بازده و نوسان با استفاده از «شبکه‌های عصبی»، «رگرسیون»، «طبقه‌بندی» و «خوشه‌بندی»
تشخیص فرصت‌های سرمایه‌گذاری با استفاده از «تحلیل احساسات»، «تجزیه و تحلیل خبرها»، «تحلیل شبکه» و «تحلیل تاریخچه»
بهینه‌سازی پورتفولیو با استفاده از «الگوریتم‌های جست‌وجو»، «الگوریتم‌های ژنتیک»، «الگوریتم‌های تقویت» و «الگوریتم‌های تطبیق»
کاهش ریسک با استفاده از «تحلیل همبستگی»، «تحلیل رویداد»، «تحلیل خطر» و «تحلیل احساس»

استفاده از معاملات الگوریتم با کمک ماشین لرنینگ در بازارهای مالی
این موضوع را می‌توانیم به زبان ساده، بدین صورت معنی کنیم که در ماشین لرنینگ از الگوریتم‌های رایانه‌ای برای «خرید و فروش سهام»، «اوراق بهادار»، «ارز» و دیگر دارایی‌ها به‌صورت خودکار استفاده می‌شود. ماشین لرنینگ می‌تواند در این زمینه‌ها به معاملات الگوریتم کمک کند:

تحلیل داده‌های بازار و تولید سیگنال‌های خرید و فروش
بهبود استراتژی‌های معاملاتی با استفاده از یادگیری تقویتی و یادگیری بدون نظارت
تطبیق با شرایط بازار و تغییرات ناگهانی با استفاده از یادگیری عمیق و شبکه‌های عصبی
کاهش هزینه‌ها و ریسک‌ها با استفاده از بهینه‌سازی و کنترل پارامترها

انواع الگوریتم های ماشین لرنینگ برای معاملات الگوریتمی
بسته به نوع مسئله و داده‌های موجود، می‌توان از الگوریتم‌های مختلف یادگیری ماشین برای معاملات الگوریتم استفاده کرد. اجازه دهید شما را با برخی از الگوریتم‌های معروف در این زمینه آشنا کنیم:
الگوریتم رگرسیون خطی یا Linear Regression
این الگوریتم از یک خط بهینه برای توصیف رابطۀ (مثلاً) بین قیمت یک سهام –به‌عنوان یک متغیر– و شاخص‌های تکنیکال –به‌عنوان چند متغیر– استفاده می‌کند. در نتیجه، استفاده از الگوریتم رگرسیون خطی می‌تواند گزینۀ مناسبی برای پیش‌بینی قیمت سهام در آینده با نگاه به داده‌های گذشته باشد.
الگوریتم درخت تصمیم یا Decision Tree
این الگوریتم از یک ساختار شاخه‌ای برای تصمیم‌گیری براساس شرایط مختلف استفاده می‌کند. می‌توان از الگوریتم درخت برای طبقه‌بندی سهام به دسته‌های مختلف براساس وضعیت بازار و خصوصیات سهام استفاده کرد.
الگوریتم شبکه عصبی یا Neural Network
این الگوریتم از ساختار پردازش عصبی مغز انسان الگو می‌گیرد. می‌توان از آن برای حل مسائل پیچیده که با روش‌های سنتی قابل حل نیستند، استفاده کرد؛ مثلاً «تحلیل تصاویر نمودار قیمت سهام» و «شناسایی الگوهای بازار» می‌توانند دو مورد از کاربردهای این الگوریتم باشند.
الگوریتم KNN یا K-Nearest Neighbors
این الگوریتم می‌گوید که نقطه‌های داده‌ای نزدیک به هم خصوصیات مشترکی دارند. نکتۀ جالب در مورد الگوریتم «KNN» این است که در آن از هیچ یادگیری نظارت‌شده‌ای استفاده نمی‌شود. تنها چیزی که باعث می‌شود داده‌ها در این الگوریتم طبقه‌بندی شوند، میزان شباهت و تفاوت‌هایی است که با هم دارند.

آشنایی با چند نرم‌افزار و پلتفرم ماشین لرنینگ برای ترید و سرمایه‌گذاری
به‌عنوان یک تریدر خلاق و باهوش می‌توانید به جای اختراع چرخ، راه و روش استفاده از چرخ‌های ساخته‌شده را تمرین کنید. به همین ترتیب، به جای آنکه از صفر، یک مدل یادگیری ماشین بسازید و خودتان را در هچل یادگیری بحث‌های سنگین ریاضی، آمار، برنامه‌نویسی و… بیندازید، از برنامه‌های آماده‌ای که قبلاً توسط نخبه‌های این حوزه ساخته شده‌اند، برای به دست آوردن نتیجۀ دلخواهتان در ترید یا سرمایه‌گذاری کمک بگیرید.
این نرم افزارها به شما امکان می‌دهند تا بدون نیاز به برنامه‌نویسی، از ماشین لرنینگ در بازارهای مالی استفاده کنید؛ یعنی الگوریتم‌های یادگیری ماشین را روی داده‌های بازار اعمال کرده و استراتژی‌های معاملاتی خود را بهبود ببخشید. در ادامه، چند ابزار و برنامه که بر مبنای یادگیری ماشین هستند و در کارزار ترید و سرمایه‌گذاری به دادتان می‌رسند را به شما معرفی می‌کنیم.
نرم افزار متاتریدر نسخه 5
«Meta Trader 5» به آدرس «metatrader5.com» یک پلتفرم معاملاتی کاملی است که به شما اجازه می‌دهد تا با استفاده از زبان برنامه‌نویسی «MQL5» الگوریتم‌های یادگیری ماشین را برای «تحلیل و پیش‌بینی بازار»، «خودکارسازی معاملات» و «ساخت ربات‌های معاملاتی» (Expert Advisors) به خدمت بگیرید.
از این گذشته، شما می‌توانید از کتابخانه‌های آمادۀ یادگیری ماشین در MQL5 استفاده کرده یا از سرویس «MQL5 Cloud Network» برای اجرای الگوریتم‌های خود به شکلی سریع استفاده کنید.
نکته: با وجود آنکه گفتیم برای استفاده از الگوریتم‌های ماشین لرنینگ در ترید، نیازی به یادگیری برنامه‌نویسی ندارید، ولی اگر سر از زبان برنامه‌نویسی پایتون در می‌آورید، می‌توانید داده‌های موجود در متاتریدر 5 را وارد پایتون کرده، یک تحلیل اساسی روی آن‌ها انجام دهید، دوباره آن‌ها را وارد این پلتفرم کرده و با استفاده از زبان برنامه نویسی «MQL5» آن‌ها را روی بازار به اجرا درآورید. نتیجۀ این کار، شما را شگفت‌زده خواهد کرد.
پلتفرم Alpaca
این پلتفرم به آدرس «alpaca.markets» یک پلتفرم مالی متن باز است که به شما اجازه می‌دهد با استفاده از ماشین لرنینگ در بازارهای مالی فعالیت کنید. این پلتفرم از زبان برنامه‌نویسی «پایتون» پشتیبانی کرده و بستر دسترسی به داده‌ها و اجرای معاملات در بازارهای مختلف را فراهم می‌کند.
پلتفرم Quant Connect
«Quant Connect» به آدرس «quantconnect.com» یک پلتفرم متن باز برای توسعه و تست استراتژی‌های مالی است که از زبان برنامه‌نویسی «پایتون» و «C#» استفاده می‌کند. این پلتفرم به شما اجازه می‌دهد از ماشین لرنینگ و هوش مصنوعی در تصمیم‌گیری‌های مالی استفاده کنید.
پلتفرم Quantopian
«Quantopian» هم پلتفرمی مشابه «Quant Connect» است که از زبان «پایتون» پشتیبانی می‌کند و به شما اجازه می‌دهد تا به ‌صورت متن باز، استراتژی‌های مالی خودتان را ایجاد و تست کنید. می‌توانید این پلتفرم را در آدرس «quantopian.com» بیابید.
پلتفرم Trading View
«Trading View» به آدرس «tradingview.com» یک پلتفرم معروف برای تحلیل بازارهای مالی است که از ابزارها و پلتفرم‌های ماشین لرنینگ برای تصمیم‌گیری‌های مالی استفاده می‌کند. با استفاده از اسکریپت‌ها و ابزارهای داخلی آن می‌توانید مدل‌های ماشین لرنینگ خود را در این پلتفرم اجرا کنید.
نرم افزار Amibroker
«Amibroker» به آدرس «amibroker.com» یک نرم‌افزار قدرتمند برای تحلیل بازارهای مالی و توسعۀ استراتژی‌های مالی است که از زبان مخصوص خود برای نوشتن فرمول‌ها و معاملات بهره می‌گیرد؛ البته از ماشین لرنینگ در بازارهای مالی هم پشتیبانی می‌کند.
فریمورک Tensor Trade
«TensorTrade» به آدرس «github.com/tensortrade-org/tensortrade» یک فریمورک متن باز پایتون است که به شما اجازه می‌دهد تا با استفاده از کتابخانه‌های یادگیری ماشین، سیستم‌های معاملاتی تقویت شده را طراحی و آزمایش کنید.
با استفاده از این فریم ورک می‌توانید داده‌های بازار را جمع‌آوری و پردازش کنید، سطح خطرپذیری و هدف خود را تعریف کرده، عامل‌های هوشمند را آموزش دهید و عملکرد آن‌ها را ارزیابی کنید.

آینده سرمایه‌گذاری با کمک الگوریتم‌های یادگیری ماشین چیست؟
نمی‌توان دست به سینه ایستاد و به یقین گفت که آیندۀ بازارهای مالی با کمک الگوریتم‌های یادگیری ماشین بهتر یا بدتر می‌شود.
درحقیقت، الگوریتم‌های ماشین لرنینگ می‌توانند در برخی موارد به سرمایه‌گذاران کمک کنند تا بازار را بهتر تحلیل کنند، الگوهای موجود را شناسایی کرده و استراتژی‌های معاملاتی را بهبود بخشند؛ اما این بدان معنی نیست که سرمایه‌گذاری با استفاده از الگوریتم‌های یادگیری ماشین می‌تواند کاملاً امن و بدون چالش باشد.
برخی از عواملی هستند که می‌توانند روی ماجرای سرمایه‌گذاری با استفاده از الگوریتم‌های ماشین لرنینگ تأثیر منفی بگذارند. اجازه دهید چند مورد از آن‌ها را با هم بررسی کنیم:

چالشِ پیدا کردن داده‌های مناسب و کافی برای تغذیه الگوریتم

الگوریتم‌های یادگیری ماشین برای آموزش و اجرای خودشان به داده‌های با کیفیت، دقیق، کامل و به‌روز نیاز دارند. شاید دسترسی به این داده‌ها، سخت، گران یا حتی گاهی عجیب باشد و استفاده از ماشین لرنینگ در بازارهای مالی را با دست‌اندازهایی روبه‌رو کند.

سخت بودن یافتن الگوریتم مناسب

الگوریتم‌های یادگیری ماشین بسیار متنوع و پویا هستند. هر کدام از آن‌ها برای حل نوع خاصی از مسئله طراحی شده‌اند. شما باید بتوانید الگوریتم مناسب را براساس نوع داده، نوع خروجی و نوع چالشی که با آن روبه‌رو هستید انتخاب کنید.
برای داشتن بهترین انتخاب در این زمینه شاید به تجربۀ عمیق‌تر، آزمون و خطا و تحقیقات دقیق نیاز داشته باشید. گاهی یک سرمایه‌گذار نمی‌تواند به تنهایی تمام این موارد را در کنار هم داشته باشد.

بررسی صحت و قابل اعتماد بودن خروجی

الگوریتم‌های یادگیری ماشین در پیدا کردن الگوها و رابطه‌های پنهان در داده‌ها بسیار قوی هستند، اما این بدان معنی نیست که همه چیز را درست تفسیر می‌کنند.
شما باید بتوانید خروجی الگوریتم را با استفاده از شاخص‌های عملکرد مناسب، تحليل‌های آماری و فرضیه‌های منطقی ارزیابی كنيد. از این گذشته، باید تأثیر عوامل خارج از داده‌ها را هم در نظر بگیرید.

بیش‌برازش (Overfitting)

این اتفاق زمانی رخ می‌دهد که مدل‌های ماشین لرنینگ به دلیل هماهنگی بیش از حد با داده‌هایی که با آن‌ها آموزش دیده‌اند، هنگام روبه‌رو شدن با داده‌های جدید، نتایج نادرستی ارائه ‌دهند.
چه سرنوشتی در انتظار بازارهای مالی است؟
پیشرفته‌تر شدن هوش مصنوعی، ماشین لرنینگ و یادگیری عمیق، ماجرایی است که برو برگرد ندارد. این ماجرا می‌تواند در بعضی بخش‌ها لپ‌تاپ را از دست تریدر بگیرد و خودش با تحلیل‌های عمیقی که انجام می‌دهد دست به معامله بزند.
با وجود اینکه امروزه ربات‌های تریدر در میان معامله‌گران به چیزی معمولی تبدیل شده‌اند، اما این قصه هنوز در آغاز راه خود قرار دارد. تنها چیزی که الان می‌توانیم روی آن تاکید کنیم، تحول بسیار بزرگی است که در اثر پیشرفت هوش مصنوعی ایجاد می‌شود. طوفانی که می‌تواند به بهترین باد برای رساندن ما به اهدافمان تبدیل شود یا اگر ناخدای ماهری نباشیم، کشتی ما را یک لقمۀ چرب کند!
سوالات متداول

ماشین لرنینگ چیست و چگونه در بازارهای مالی مورد استفاده قرار می‌گیرد؟

ماشین لرنینگ یک زیرمجموعه از هوش مصنوعی است که با استفاده از الگوریتم‌ها و مدل‌های آماری، به کامپیوتر اجازه می‌دهد از داده‌ها یاد بگیرد و پیش‌بینی‌ها و تصمیم‌گیری‌ها را انجام دهد. می‌توان از ماشین لرنینگ برای «پیش‌بینی قیمت‌های سهام»، «تحلیل متن‌ها و خبرها» یا «تشخیص الگوهای مختلف در نمودارهای قیمتی» استفاده کرد.

انواع مدل‌های ماشین لرنینگ مورد استفاده در بازارهای مالی چیستند؟

ماشین لرنینگ در بازارهای مالی، مدل‌های مختلفی دارد. برخی از معروف‌ترین آن‌ها عبارتند از:

برای استفاده از ماشین لرنینگ در بازارهای مالی به چه نوع داده‌هایی نیاز داریم؟

مدل‌های ماشین لرنینگ برای به دست آوردن بهترین نتیجه به چند نوع داده نیاز دارند؛ مثلاً:

چالش‌ها و محدودیت‌های استفاده از ماشین لرنینگ در بازارهای مالی چه هستند؟

برخی از این چالش‌ها عبارتند از:

به این مقاله امتیاز دهید

(۲۱۴ رای)

۴.۵
/۵

گروه زنان و جوانان خبرگزاری فارس؛ معصومه فاطمی، پژوهشگر مطالعات زنان: انسان مدرن، عنصر جذابیت را تنانگی و توجه به ارزش های مادی می بیند و توجه به تن را به عنوان عنصری جذاب، برای جذب دیگران قرار داده است. بر همین اساس است که شبکه ا ی از محصولات آرایش و زیبایی را، طبق این نگ اه تولید می کن د. تا بتواند موفق تر ، تن را عرضه کند. در مقابل این نگاه ، انسان الهی شده، در سخت ترین شرایط هم ، تن را از دیده شدن حفظ می کند، حتی اگر در جنگ باشد یا در اسارت باشد. حماسه عاشورا و اسارت زنان، یک داستان نیست بلکه یک فرهنگ است و نیاز است از ب ُ عد غیرت، عفاف و حجاب به آن پرداخته بشود و فرصت محرم و صفر و اربعین، زمینه ای برای تبیین این فرهنگ استفاده کرد. روایات تاریخی متعددی از اهتمام زنان کاروان حسینی، به حجاب و عفاف وجود دارد. امام حسین به مثابه فردی که اهتمام به اجرای احکام دین داشته است حتی در جزئی ترین مسائل و در سخت ترین شرایط به حجاب و پوشش توجه کرده است. به طور مثال، امام حسین علیه السلام، در روز عاشورا، در شرایطی که جنگ شدت گرفته است و شهادت نزدیک است به دنبال لباسی کهنه است که توسط دشمن دزدیده نشود و تنش را بپوشاند. و قتی لباسی تنگ بر ای او می آورند از پوشیدن لباس تنگ خود داری می کند زیرا نمایش حجم بدن را ذلت می داند و لباس تنگ را لباس ذلت معرفی می کند. اهمیت دادن به لزوم پوشیده بودن بدن حتی پس از شهادت و عدم پوشیدن لباس تنگ در آن شرایط، توجه به کیفیت پوشش را نشان می دهد. امام حسین(ع) حضرت زینب(س) را قسم می دهد که مبادا نسبت به حجابش کوتاهی کند و می فرماید : « خواهر جان با تو سوگندی دارم به آن وفا کن چون کشته شدم گریبان چاک مزن و چهره بر من مخراش. » امام حسین چادرها یی که محل اسکان زنان بود، نزدیک به هم نصب کرد و طناب خیمه ها را در درون هم و در هم تنیده قرار داد و از سه طرف راه را بر دشمن بست و اطراف خیمه ها را کانالی حفر شد و روز عاشورا هنگام هجوم دشمن در داخل کانال ها آتش افروختند تا دشمنان نتوانند به حرم حسینی دست یابند زیرا غیرت او اجازه نمی داد، تا او زنده است، زنان مورد آسیب قرار بگیرند . اما زمانی که جنگ پایان رسید روایت مقاومت زنان برای حفظ پوشش بسیار پرتکرار است، حمید بن مسلم می گوید : « به خدا سوگند با چشم خود دیدم که جامه زنان و دختران و بانوان خاندان آن حضرت را می کشیدند و آنها با همه توان تا سرحد جان برای حفظ آن مقاومت می کردند و بر زمین می افتادند و جامه شان را می ربود ند.» و وقتی حجاب از آن ها گرفته می شد، گ ریه می کرد ند و یکدیگر را دلداری می دادند. در آن شرایط سخت اسارت، درخواست پرتکرار زنان، دریافت لباس پوشاننده و حجاب بیشتر بود. زنان از دریافت غذا و صدقات خودداری می‌کردند ولی حجاب و لباس را دریافت می‌کردند. حضرت زینب وقتی به کوفه رسیدند خطبه ای با صلابت در کوفه خواندند که مردم کوفه با شنیدن آن گریه کردند. ایشان دراین خطبه فرمودند «وای و نفرین بر شما کوفیان! آیا می‌دانید چه جگری از پیامبر دریدید؟ و چه زنان با شخصیت و کرامتی بدنشان را نمایان ساختید؟ و چه خونی از پیامبر ریختید؟ و چه حرمتی از خاندانش را هتک نمودید؟» در روایت های تاریخی به طور مکرر، از هتک حرمت به زنان و ربودن پوشش آنها، ذکر شده است. زمانی که کاروان اسیران نزدیک شام رسیدند، ام کلثوم(س) به شمر فرمود: « از تو خواسته ای دارم و آن اینکه ما را از دروازه ای وارد شهر کن که تماشاچی کمتر باشد و دستور بده سرهای شهداء را از بین کاروان اسیران بیرون برند و جلوتر از کاروان قرار دهند تا تماشاچیان مشغول تماشای سرها شوند و به ما نظر نکنند اما شمر دستور داد: سرها را بین کاروان متفرق نمایند و آن بزرگواران رامقابل آن دری که معمولاً اسیران را وارد می کنند، قدری معطل کرد تا تماشاچیان بیشتری اجتماع کنند » در روایت تاریخی دیگری آمده است که « وقتی اهل حرم امام حسین(ع) را وارد مجلس یزید کردند آنها را از نظر می گذراند و از هر یک سوالی می کرد در حالی که در ریسمان بسته بودند در میان آنها بانوئی صورتش را با کف دست می پوشاند زیرا چیزی نداشت که صورتش را بپوشاند یزید پرسید او کیست؟ گفتند: سکینه دختر حسین(ع) است. پرسید تو سکینه ای؟ شروع کرد به گریه کردن بگونه ای که گریه اش را در گلو خفه کرده و اشک می ریخت بطوری که نزدیک بود روحش پرواز کند. یزید پرسید چه چیزی موجب این گریه شدید تو شده؟ فرمود: چگونه گریه نکند کسی که ساتری ندارد صورت و سرش را از تو و همنشینان تو بپوشاند!» در همین مجلس بود که حضرت زینب خطبه ای خواند و خطاب به یزید ، فرمودند: « آیا این عدالت است که زنان و کنیزان تو پشت پرده ها باشند و زنان و دختران خاندان رسول خدا با این وضع نامطلوب در حضور مردان نامحرم در جایگاه اسیران ؟ » این قسمت از خطبه، در حالی که شجاعت حض رت زینب را نمایان می کند به پوشیدگی زن یزید هم اشاره می کند که قابل توجه است. کاروان اسرا در همه شرایط سعی کردند برای احقاق حق حجاب خود ، اعتراض کنند که استنادات تاریخی و روایت های ائمه اطهار گویای این تلاش پویا و مداوم است اما ذکر همه این استنادات در این یادداشت ممکن نیست . بنابراین فقط به همین چند روایت اکتفا کردیم عدم توجه به اهمیت حجاب در فرهنگ حسینی موجب شده است که این مفاهیم دیده نشود در حالی که گزارهای تاریخی متعدد و غیر قابل انکار است و به دلیل گرایش قلبی جامعه به امام حسین، می تواند زمینه ساز ترویج مفاهیم حجاب و عفاف در عموم جامعه باشد ، به نظر می رسد رسانه و هیئات و اربعین می تواند ظرفیتی برای ترویج این گزاره های پرتکرار تاریخی باشد و فریاد بلند حضرت زینب(س) را به زن جامعه ایرانی که دلبسته به دین است، برساند. پایان پیام/

شما می توانید این مطلب را ویرایش نمایید

این مطلب را برای صفحه اول پیشنهاد کنید

سی و یکمین هفته اعتراضات همراه با عملیات استشهادی + عکس و فیلم – یونیت آزاد خبر

قیمت‌های پیشنهادی امروز

قیمت‌های پیشنهادی امروز

پربازدیدترین ها

یونیت آزاد خبر –

|
۱۴۰۲/۰۵/۱۵ ۱۷:۳۵:۲۷

فرشید فرزانگان درباره ادعای «حجت عبدالملکی» دبیر شورای عالی مناطق آزاد مبنی بر اینکه اتاق سرمایه‌گذاری امارات آماده سرمایه گذاری ۱۰۰ میلیارد دلاری در ایران است، اظهار داشت: اساسا اتاقی تحت عنوان وجود ندارد و این عدد ۱۰۰ میلیارد دلار هم عدد قابل توجه و بزرگی است، در حالی که حجم تجارت ایران و امارات امسال به ۲۵ میلیارد دلار رسیده و این عدد ۱۰۰ میلیارد دلاری اعلام شده چند برابر حجم تجارت ایران و امارات است.
به گزارش یونیت آزاد خبر، فرزانگان گفت: باید توجه داشت رتبه اعتباری ایران در سرمایه‌پذیری در کمترین رتبه قرار دارد و این ریسک سرمایه‌گذاری را بیش از پیش می‌کند و این عدد اعلام شده برای سرمایه‌گذاری‌ها در ایران بعید است. فرمایش آقای عبدالملکی با شواهد و قرائن وجود دارد همخوانی ندارد.
رییس سابق اتاق بازرگانی ایران و امارات گفت: بخشی از امارات با بازار‌های جهانی ارتباط دارد و به بازار‌های جهانی متصل است و فاینانس‌ها دراین کشور از سوی بانک‌های بین‌المللی انجام می‌شود و تازمانی که روند سرمایه‌گذاری و خروج پول کاملا مشخص و شفاف نباشد، بعید است که ریسک سرمایه‌گذاری را قبول کنند.
فرزانگان تاکید کرد: پیش از سرمایه‌گذاری باید سازو کار خروج سرمایه از آن پروژه مشخص باشد و باید افراد بتوانند درآمد خود از این سرمایه‌گذاری را از کشورمان خارج کنند و امکان توسعه آن را در کشور دیگر داشته باشد؛ بنابراین روند این مسائل باید کاملا شفاف باشد و در این سازو کار و روند، مسائل بانکی و FATF فوق‌العاده اهمیت دارد و به سرمایه‌گذاری با دید جهانی نگاه می‌شود نه از دید کشوری و منطقه‌ای.
وی با بیان اینکه نمی‌توان گفت یک کشوری آماده سرمایه‌گذاری ۱۰۰ میلیارد دلاری در ایران است، اما بانک‌های ایرانی به بانک‌های جهانی متصل نباشد وگرنه با صرافی که نمی‌توان ۱۰۰ میلیارد دلار را جابه‌جا کرد، افزود: واقعیت این است که شاهد آن هستیم حوزه کارشناسی رها شده وگرنه افرادی از مرحله کارشناسی رشد کرده‌اند به مدیریت رسیدند نگاه متفاو‌ت‌تری نسبت به افرادی که از خارج از سازمان‌ها آمده‌اند و مدیر شده اند، دارند.       
رییس سابق اتاق بازرگانی ایران و امارات گفت: البته اینگونه نیست که سرمایه‌گذاری اماراتی‌ها در ایران اصلا قابل انجام نباشد، ممکن است که یک سرمایه‌گذار اماراتی به دلیل ریشه‌های مشترکی در ایران دارد، تمایل به سرمایه‌گذاری در کشورمان را داشته باشد و در حد معقول نسبت به سرمایه‌گذاری در ایران اقدام کند که قصدی هم برای خروج سرمایه خود و درآمد خود از ایران را نداشته باشد. اما به هر حال آن سرمایه‌گذاری که دست به این اقدام می‌زند به خوبی ایران را می‌شناسد و به خوبی می‌داند که در کجا چه سرمایه‌گذاری انجام دهد.
فرزانگان با بیان اینکه هرچه روابط بین‌المللی بانکی تهسیل شده میزان سرمایه‌گذاری هم افزایش پیدا کرده که اوج آن درسال ۲۰۱۷ بوده‌است، اظهار داشت: موضوع این است که جذب سرمایه‌گذار نباید به تعداد افراد ایرانی- اماراتی یا سرمایه‌گذارانی که ریشه‌ای در ایران دارند، محدود شود و سرمایه‌گذاری باید روند توسعه‌ای داشته باشد و شرط آن هماهنگ شدن با ضرب آهنگ نظام بین الملل است و این دو رابطه مستقیم با هم دارند و هر زمان که روابط ایران با غرب بهتر شده، جذب سرمایه‌گذاری در ایران افزایش پیدا کرده‌است.
وی با اشاره به کاهش حجم تجارت با چین تاکید کرد: در حال حاضر شاهد آن هستیم میزان تجارت ایران و چین که با این کشور قرارداد راهبردی ۲۵ ساله داریم، به کمترین حد در طول سال‌های گذشته رسیده است. این روند نزولی به این دلیل بوده که شرکت‌های چینی با بازار‌های جهانی و تمام کشور‌های دنیا در حال همکاری هستند و عدد تجارت و همکاری با ایران عدد بزرگی نیست که بخواهند ریسک این سرمایه‌گذاری را بپذیرند. شاید یک بانک دست چندمی روابط با ایران را پوشش دهد، اما باید دید این روابط تا چه اندازه به نفع کشورمان بوده است.  
 

∎​

به گزارش یونیت آزاد خبر، بابک محمودی سرپرست سازمان امداد و نجات جمعیت هلال احمر با اشاره به هشدار سطح نارنجی هواشناسی گفت: طبق اعلام سازمان هواشناسی و احتمال بارش شدید روز شنبه در مناطق خراسان شمالی و ارتفاعات شرقی گلستان و در روز یکشنبه در مناطقی از خراسان شمالی، نیمه شمالی خراسان رضوی، شرق ارتفاعات سمنان و ارتفاعات استان‌های گلستان، مازندران و تهران وجود دارد.
وی بیان کرد: در پی این هشدار هواشناسی امدادگران در ۷ استان در حالت آماده باش کامل قرار گرفتند تا در صورت بروز حادثه اقدام به امدادرسانی کنند.
منبع: مهر

]]>

راز موفقیت در دنیای معامله‌گری ارزهای دیجیتال در تسلط بر احساسات و هیجانات نهفته است. اگر شما هم تابه‌حال در بازار ارزهای دیجیتال معامله کرده باشید، می‌دانید که معامله‌گری در این بازار شبیه به سوارشدن در ترن‌ هوایی احساسات است. در بازار ارزهای دیجیتال، احساسات مثبت و منفی حتی یک ثانیه دست از سرتان برنمی‌دارند؛ خصوصاً اگر مبتدی باشید یا از اهرم در معاملات خود استفاده کنید.احساسات و هیجانات شدیدی که در بازار کریپتو تجربه می‌کنید، قدرت قضاوت و تصمیم‌گیری صحیح شما را می‌توانند مختل کنند و بر نتیجه معاملاتتان تأثیر منفی بگذارند. پس، بهتر است راهی برای اجتناب از خطاهای رایج بیابید و عاقلانه در سبد دارایی خود تنوع ایجاد کنید و همیشه با برنامه معاملاتی وارد بازار شوید.در این مقاله، به‌کمک مطلبی از وب‌سایت کوین‌مارکت‌کپ با ۶ استراتژی مؤثری آشنا می‌شویم که در کنترل و مدیریت احساسات به‌هنگام ترید می‌توانند به ما کمک کنند. اگر شما هم به‌دنبال راهی برای پیاده‌شدن از ترن‌ هوایی احساسات منفی در بازار کریپتو هستید، تا انتهای این مقاله با ما همراه باشید.چرا مدیریت احساسات در بازار کریپتو مهم است؟معامله‌گری در هر بازاری می‌تواند اعصابتان را حسابی خُرد کند؛ اما در بازار ارزهای دیجیتال با نوسان‌های افسارگسیخته‌ای که تجربه می‌کنید، اوضاع به‌مراتب بدتر است. دارایی‌های دیجیتال حرکات نامنظمی دارند و هرچه ارزش بازار کمتری داشته باشند، بیشتر پیش‌بینی‌ناپذیر می‌شوند.برای مثال، فقط یک توییت ایلان ماسک می‌تواند باعث افزایش چشمگیر قیمت دوج‌کوین شود و درمقابل، صدرنشینی چند خبر بد در رسانه‌ها ممکن است باعث افت شدید قیمت شود و یک‌شبه سرمایه بسیاری را بر باد دهد.بیشتر بخوانید: آشنایی با ۵ استراتژی مدیریت ریسک در ارزهای دیجیتالدر مثالی دیگر، فقط کافی است به پیامدهای سقوط صرافی FTX در نوامبر‌۲۰۲۲ توجه کنید. درحالی‌که بازار نزولی بیش از یک سال ادامه یافت، ناگهان دومین صرافی بزرگ محصولات مشتقه کریپتو سقوط کرد و ترکیبی از احساسات ترس و فقدان قطعیت و شک (FUD) را در سرتاسر بازار پراکنده کرد. افراد از سرِ ترس شدید دارایی‌های‌شان را فروختند و پول زیادی را از دست دادند.مثال یادشده نمونه بی‌نقصی از بلایی است که احساسات کنترل‌نشده در بازار ارزهای دیجیتال می‌توانند بر سر تریدرها بیاورند. درمقابل، در همان برهه‌ای که اکثر تریدرها به‌دنبال خروج از بازار بودند، افرادی که توانستند آرامششان را حفظ کنند، از این فرصت به‌نفع خود استفاده کردند و زمانی‌که قیمت‌ها تا کف سقوط کرده بود، کوین بیشتری خریدند.اگر می‌خواهید در ترید ارزهای دیجیتال موفق شوید، باید کنترل احساساتتان را در دست بگیرید. احساساتی مانند ترس و طمع و فومو (ترس ازدست‌دادن) می‌تواند توانایی شما را برای تصمیم‌گیری مختل کند و باعث بروز رفتارهای غیرمنطقی در شما شود.درواقع، احساسات کنترل‌نشده سبب می‌شود تا تریدر به‌جای دیدن واقعیت موجود، به‌دنبال اطلاعاتی باشد که سوگیری‌های پیشین او را تأیید می‌کنند که نتیجه این مسئله چیزی جز ازدست‌دادن سرمایه نخواهد بود.بیشتر بخوانید: چطور از شر فومو خلاص شویم و به استراتژی خود پایبند بمانیم؟با مدیریت احساساتتان، به‌صورت عینی و براساس تحلیل عینی می‌توانید ترید کنید. بی‌شک این امر بر میزان سود به‌دست‌آمده تأثیری مثبت خواهد گذاشت. در‌ادامه، به ۶ استراتژی برای کنترل و مدیریت احساسات اشاره می‌کنیم که موفقیت شما را در معاملات افزایش چشمگیری می‌دهند.۱. احساسات خود را به‌ رسمیت بشناسیداولین گام برای مدیریت و تسلط بر احساسات، شناخت آن‌ها به‌ همان شکل واقعی‌شان است. احساساتتان را به‌ رسمیت بشناسید و یاد بگیرید که هر احساس چه‌ چیزی به شما می‌گوید. به‌عنوان نمونه، ترس و طمع برخی از احساسات رایج‌ در معامله‌گری هستند که موجب بسیاری از خطاهای معاملاتی می‌شوند. شناخت و درک کامل این احساسات به شما کمک می‌کند تا آن‌ها را بهتر مدیریت کنید.هنگامی‌که قیمت در بهترین سطح برای خرید است، فومو یا ترس‌ ازدست‌دادن میان تریدرها رایج می‌شود و می‌تواند باعث شود تا تریدر بیش‌ازحد روی دارایی خاصی سرمایه‌گذاری کند. دفعه بعد که فومو را تجربه کردید، تحلیل کنید که احساس شما ممکن است ناشی از چه موضوعی باشد. شناخت این احساس می‌تواند راهنمای مناسبی برای قدم بعدی‌تان باشد. به‌همین‌ترتیب، طمع هم اغلب زمانی گریبان‌گیر تریدرها می‌شود که معامله برنده‌ای دارند و سود درخورتوجهی به‌دست آورده‌اند. دفعه بعدی که در موقعیت باز و برنده‌ای بودید، احساستان را بررسی کنید. احتمالاً دلتان می‌خواهد موقعیت را باز بگذارید و سود بیشتری به‌دست آورید؛ اما فراموش نکنید که در اغلب مواقع، خطر ازدست‌دادن سود به‌دست‌آمده‌ بسیار بیشتر از ظرفیت‌های کسب سود بیشتر است.بیشتر بخوانید: ۸ مورد از رایج‌ ترین اشتباهات تریدرها که باید بدانیددرمجموع، بررسی احساسات و درک عمیق آن‌ها اطلاعات مهمی درباره بازار در‌اختیارتان می‌گذارند. این اطلاعات به شما کمک می‌کنند تا درباره سرمایه‌گذاری بهتر تصمیم‌گیری کنید؛ به‌ویژه اگر این واقعیت را مدنظر قرار دهید که بسیاری از افراد دیگر نیز در بازار همین احساسات را تجربه می‌کنند و ممکن است براساس آن‌ها، تصمیم‌های غیرمنطقی بگیرند. پس، در یک کلام احساسات خود را درک کنید تا رقبایتان را شکست دهید!۲. شکست در معامله‌گری اجتناب‌ناپذیر استاحساسات در بازار کریپتو اغلب با ازدست‌دادن پول گره خورده است و دلیل قانع‌کننده‌ای هم دارد. معاملات ارزهای دیجیتال بازی احتمالات هستند و باخت جزئی اجتناب‌ناپذیر از بازی احتمال است. بی‌شک به روشی نسبتاً ریسک‌گریز می‌توانید سرمایه‌گذاری کنید؛ اما همیشه فرصتی هم برای باختن باید در نظر بگیرید.شعار معروف «بیش از توانِ باختن، سرمایه‌گذاری نکنید» یکی از توصیه‌های کاربردی معاملاتی است. اگر معامله یا سرمایه‌گذاری می‌کنید، بهترین حرکت این است که سرمایه‌تان را از ابتدا به‌عنوان ضرر در نظر بگیرید. این مسئله می‌تواند از احساسات منفی پس از شکست جلوگیری کند و کمتر شما را به‌سمت انجام معاملات غیرمنطقی و ریسک‌پذیری بیش‌ازحد برای جبران شکست‌هایتان سوق دهد.بیشتر بخوانید: ۱۰ نکته مهم که تریدرهای تازه‌کار باید بدانندفراموش نکنید تا زمانی‌که پول در صرافی باشد، چیزی جز چند عدد روی مانیتور نیست. این موضوع پذیرش هرگونه ضرر را آسان‌تر می‌کند. فقط هنگامی‌که سود به حساب بانکی‌تان برگردانده شود، می‌توانید بگویید پولتان را با موفقیت از بازار برداشت کرده‌اید.۳. تنوع ریسک را کاهش می‌دهداگرچه باختن پول جزئی اجتناب‌ناپذیر از معامله است، همیشه اقداماتی وجود دارد که برای کاهش احتمال باخت می‌توانید انجام دهید. با تقسیم پول روی چندین گزینه مختلف سرمایه‌گذاری، آثار نوسان‌های قیمت بر دارایی خود را می‌توانید کاهش دهید و درنتیجه، واکنش‌های احساسی کمتری درقبال نوسان‌ها از خود نشان دهید.به‌جای اینکه تمام پولتان را روی یک آلت کوین سرمایه‌گذاری کنید، تخم‌مرغ‌هایتان را در چندین سبد بچینید. برای مثال، مقداری بیت کوین و اتریوم و چند آلت کوین دیگر بخرید. این راهکار نه‌تنها به شما امکان می‌دهد تا به‌راحتی جایگاه خود را در بازار صعودی حفظ کنید؛ بلکه اجازه می‌دهد تا روی روایت‌های مختلف در بخش‌های متفاوت سرمایه‌گذاری کنید.بیشتر بخوانید: راهنمای متنوع‌سازی در سبد دارایی۴. تجربه کسب کنید و از خطاهایتان درس بگیریدیکی دیگر از روش‌های مدیریت احساسات، کسب تجربه از خطاهای گذشته است. نگاهی به پشت‌سرتان بیندازید و معاملاتی را بررسی کنید که آن‌ها را از سرِ ترس یا طمع یا فومو انجام داده‌اید. با بررسی نتیجه این معاملات، اطلاعات مفیدی کسب می‌کنید. دفعه بعد که تحت‌تأثیر هیجانات بازار قرار گرفتید، از این اطلاعات برای تصمیم‌گیری منطقی و آگاهانه استفاده کنید.۵. معاملات و احساساتتان را ثبت کنیدهرچه تجربه بیشتری کسب کنید، موقعیت‌های خاص را بهتر می‌توانید تشخیص دهید و براساس آن‌ها عمل کنید. داده‌های معاملات را در دفترچه معاملاتی خود وارد کنید و بنویسید که به چه دلایلی آن‌ها را انجام داده‌اید. همچنین، نتیجه معاملات را یادداشت و احساستان حین انجام هر معامله را ثبت کنید.ایجاد دفترچه معاملاتی به شما کمک می‌کند تا در گذر زمان، معاملات خود را بررسی کنید و به خطاها و ضعف‌های احتمالی در رویکرد معاملاتی‌تان پی ببرید. در طولانی‌مدت، این فرایند به شما اجازه می‌دهد تا به‌جای معامله‌گری احساسی، تصمیم‌های منطقی‌تر و صحیح‌تری بگیرید.بیشتر بخوانید: آموزش ساخت یک سیستم معاملاتی؛ از کجا شروع کنیم؟۶. همیشه برنامه معاملاتی داشته باشیدبدیهی است که وقتی معامله‌ای برخلاف پیش‌بینی‌تان پیش می‌رود، اغلب ناراحت می‌شوید. تریدرهای باتجربه با تنظیم برنامه معاملاتی مشخص برای هر معامله‌ای که انجام می‌دهند، خودشان را برای سناریوِ شکست هم آماده می‌کنند.آنان موقعیت‌های ورود و خروج را مشخص می‌کنند و خطاهای رایج را در نظر می‌گیرند. علاوه‌براین، با برنامه‌ریزی قبلی دیگر تحت‌تأثیر احساسات و هیجانات بازار قرار نمی‌گیرید. تنها کاری که باید انجام دهید، وفادارماندن به برنامه معاملاتی‌تان است.پیش از ورود به هر معامله‌ای، برنامه معاملاتی طراحی و نقطه ورود و حد سود و حد ضرر خود را تعیین کنید. برنامه معاملاتی باید استراتژی و قوانینی را مشخص کند که در طول معامله رعایت می‌کنید. در برنامه معاملاتی، باید نحوه مدیریت ریسک را نیز تعیین کنید و مطمئن شوید که بیش‌ازحد درمعرض ریسک و ضرر نیستید.بیشتر بخوانید: سفارش‌گذاری در صرافی‌های رمز ارزجمع‌بندیدر بازار پرنوسان ارزهای دیجیتال، تسلط بر احساسات و هیجانات یکی از کلیدهای اصلی کسب موفقیت است. احساساتی مانند ترس، حرص، طمع و فومو اغلب باعث تصمیم‌گیری‌ احساسی و غیرمنطقی می‌شوند که ممکن است زیان‌های فراوانی به‌بار بیاورد؛ بنابراین، هر تریدری باید این احساسات و هیجانات را بشناسد.در مطلب حاضر، به ۶ استراتژی مؤثر برای کنترل و مدیریت احساسات هنگام معامله‌گری اشاره کردیم. راهکارهایی همچون شناخت و درک عمیق احساسات، پذیرش شکست و ناکامی در معامله‌گری، ایجاد تنوع در سبد دارایی، درس‌گرفتن از خطاهای احساسی گذشته، ثبت هیجانات هنگام انجام معامله و تعیین استراتژی‌های مدیریت ریسک پیش از ورود به هر موقعیت معاملاتی می‌توانند به شما در مدیریت مؤثر احساساتتان کمک کنند.در بازار پرتلاطم کریپتو، به‌کارگیری راهکارهای مدیریت احساسات درکنار رویکردهای مختلف تحلیل فاندامنتال و تکنیکال می‌تواند نتایج معاملات تریدرها را بهتر و سودآورتر و پایدارتر کند.

در هنگام محاسبه و بررسی سهم‌ها ، اکثر سرمایه‌گذاران با شاخص های بنیادی مانند نسبت ( Price to earnings ratio)P/E ، ارزش بعد از استهلاک ( دارایی شرکت)، نسبت ( Price to book)P/B و نسبت PEG آشنا هستند. به‌علاوه، سرمایه‌گذارانی که اهمیت ایجاد نقدینگی را می‌دانند، از صورت‌حساب‌های جریان نقدی شرکت در تحلیل‌های بنیادی استفاده می‌کنند. آن‌ها می‌دانند که چنین صورت‌حساب‌هایی وضعیت بهتری از عملکردهای شرکت ارائه می‌دهند. اگرچه اندکی از مردم به میزان جریانات نقدی در مقایسه با ارزش کمپانی توجه می‌کنند، اما بازده جریان نقدی آزاد نسبت به P/E شاخص بهتری است.
جریان نقدی آزاد چیست؟
 نقدینگی در حساب بانکی چیزی است که همه‌ی شرکت‌ها مشتاق به دست آوردن آن هستند. سرمایه‌گذاران علاقه‌مند هستند تا بدانند که شرکت چه مقدار نقدینگی در حساب بانکی خود دارد. زیرا این عدد عملکرد واقعی یک شرکت را نمایش می‌دهد. پنهان کردن مشکلات یک شرکت ازجمله عدم مدیریت مالی در صورت‌حساب‌های نقدی شرکت کار پیچیده‌ای است.
جریان نقد، اندازه‌گیری میزان ورودی و خروجی نقدینگی از حساب بانکی یک شرکت است. جریان نقدی آزاد زیرمجموعه جریان نقدی، میزان نقدینگی باقی‌مانده برای شرکت پس از پرداخت تمام هزینه‌های شرکت و هزینه‌های سرمایه‌گذاری در شرکت را نشان می دهد. شما سریعاً می‌توانید میزان جریان نقدی آزاد یک شرکت را از طریق صورت‌حساب‌های جریان نقد محاسبه کنید. از مجموع نقدینگی ایجادشده توسط عملیات شرکت شروع کنید. سپس مقدار هزینه‌های سرمایه‌گذاری در کمپانی را از بخش جریان نقدی سرمایه‌گذاری پیدا کنید. سپس میزان هزینه‌های سرمایه‌گذاری را از مجموع نقدینگی عملیاتی کم کنید تا به جریان نقدی آزاد برسید.
زمان که جریان نقدی آزاد مثبت است، نشان‌دهنده‌ی این است که این شرکت نقدینگی بیشتری نسبت به آنچه برای اجرای کسب‌وکار و سرمایه‌گذاری مجدد در شرکت خرج می‌کند، ایجاد می‌کند. این شرکت قادر است تا خود را ازنظر مالی تأمین کند و پتانسیل زیادی برای رشد بیشتر در آینده دارد. جریان نقدی آزاد منفی نشان می‌دهد که شرکت توانایی تولید نقدینگی کافی برای تأمین کسب‌وکار خود را ندارد. هرچند، شرکت‌های کوچک جریان نقدی آزاد مثبت ندارند ازآنجایی‌که بر روی رشد سریع خود سرمایه‌گذاری می‌کنند تا سرمایه خود را افزایش دهند.
جریان نقدی آزاد مانند درآمد برای یک شرکت است، بدون اینکه احتیاج به تغییراتی در صورت‌سود و زیان( income statement) داشته باشد. درنتیجه، شما می‌توانید از جریان نقدی آزاد استفاده کنید تا عملکرد یک شرکت را اندازه‌گیری کنید به همان صورتی که درآمد خالص آن را بررسی می‌کنید. ( هرچند جریان نقدی آزاد با جریان نقدی خالص ( net cash flow)برابر نیست).
جریان نقدی آزاد میزان نقدینگی موجود برای سهامداران است. جریان نقدی خالص میزان سودی است که شرکت با تمام هزینه‌های پرداختی جاری دارد، بدون در نظر گرفتن وام‌های طولانی‌مدت یا صورت‌حساب‌ها. شرکتی که جریان نقدی خالص مثبتی دارد، هزینه‌های فعالیت‌های جاری را نیز می‌تواند پرداخت کند و مشکلی از آن بابت ندارد. اما توانایی پرداخت هزینه‌ها طولانی‌مدت را ندارد. پس نمی‌تواند همواره معیار دقیقی برای محاسبه‌ی پیشرفت شرکت و یا موفقیت آن باشد. نسبت P/E ، میزان درآمد خالص سالانه‌ی هر سهم عادی را اندازه‌گیری می‌کند. هرچند صورت‌حساب جریان نقدی مقیاس بهتری برای مقایسه عملکرد شرکت نسبت به صورتحساب سود و زیان است.
محاسبه جریان نقد آزاد شرکت
آیا یک ابزار محاسباتی قابل‌مقایسه برای نسبت P/E وجود دارد که از صورتحساب جریان نقدی استفاده کند؟ خوشبختانه، بله. ما می‌توانیم از جریان نقدی آزاد و تقسیم آن بر ارزش بازاری شرکت به‌عنوان یک نشانگر قابل‌اعتمادتر استفاده کنیم. گفته می‌شود که بازده جریان نقدی آزاد، به سرمایه گذاران راه دیگری برای اندازه‌گیری ارزش کمپانی می‌دهد که قابل‌مقایسه با P/E است. ازآنجایی‌که این محاسبه، از جریان نقدی آزاد استفاده می‌کند، بازده جریان نقدی آزاد اندازه‌گیری بهتری از عملکرد شرکت فراهم می‌کند.
معمول‌ترین راه برای محاسبه بازده جریان نقدی آزاد استفاده از ارزش بازار به‌عنوان شاخص سهام است. ارزش بازار معیار در دسترسی است که می‌توان آن را از فرمول زیر تعیین کرد:

راه دیگر محاسبه‌ی بازده جریان نقدی آزاد استفاده از ارزش اقتصادی به‌عنوان شاخصی از سهام است. برای بسیاری از افراد، ارزش اقتصادی معیار قابل‌اعتمادتری از ارزش یک کمپانی است. زیرا شامل وام، ارزش و یا سهم پیشنهادی و سودهای جزئی است. اما شامل نقدینگی و معادل‌های نقدینگی نمی‌شود. فرمول آن به‌صورت زیر است :

هر دو روش برای سرمایه‌گذاران روش‌های ارزشمندی هستند. استفاده از ارزش بازار معادل با نسبت P/E است. ارزش اقتصادی شرایطی را فراهم می‌کند تا شرکت‌ها در صنعت‌های مختلف و کمپانی‌ها با ساختارهای سرمایه‌ای متفاوت، مقایسه شوند. برای آسان‌تر کردن مقایسه نسبت P/E ، برخی از سرمایه‌گذاران بازده جریان نقدی آزاد را معکوس می‌کنند و فرمولی از ارزش بازار یا ارزش اقتصادی نسبت به جریان نقدی می‌سازند.
استفاده از بازده جریان نقدی آزاد
به‌عنوان‌مثال، جدول زیر بازده جریان نقدی آزاد چهار شرکت و نسبت‌های P/E  آن‌ها در سال ۲۰۰۹ را نمایش می‌دهد. شرکت اپل نسبت P/E بالایی را به دلیل انتظارات رشد بالای شرکت به خود اختصاص داده است. شرکت ژنرال الکتریک (GE) دارای نسبت P/E ضعیف بود که یک سناریوی رشد کُند را نشان داد. مقایسه عملکرد بازده جریان نقدی آزاد اپل و ژنرال الکتریک با استفاده از ارزش بازار نشان داد که GE در این زمان پتانسیل بالقوه بیشتری را ارائه می‌دهد. دلیل اصلی این تفاوت میزان بدهی که شرکت ژنرال الکتریک در این زمان، به‌خصوص ازنظر مالی داشته است می‌تواند باشد. هم‌چنین شرکت اپل در این مقایسه بدهی نداشته است. اگر شما ارزش اقتصادی را جایگزین ارزش بازار کنید، اپل گزینه‌ی بهتری خواهدشد.
از راه مقایسه‌ی چهار شرکت با در نظر گرفتن ارزش اقتصادی، به این نتیجه می‌رسیم که شرکت CISCO در بالاترین نقطه جدول با بیشترین بازده جریان نقدی آزاد قرار دارد. در آخر اگر شرکت FLOUR نسبت P/E پایینی ‌دارد، بعد از نگاه کردن و در نظر گرفتن بازده جریان نقدی آزاد شرکت گزینه‌ی مناسبی برای سرمایه‌گذاری به نظر می‌رسد.

عملکرد جریان پول نقد
اگرچه معمولاً در ارزیابی شرکت‌ها این معیار استفاده نمی‌شود، اما عملکرد جریان پول نقد یک متغیر است. ‌یک محاسبه در تحلیل بنیادی است که جریان نقدی آزاد طولانی‌مدت یک شرکت را با نقدینگی خود در طول یک دوره مشابه مقایسه می‌کند. عملکرد جریان نقدی را می‌توان برای تعیین کردن مدت‌زمان لازم برای خرید و سوددهی و ارزش‌گذاری یک شرکت مورداستفاده قرار داد. این مسئله به روش‌های زیر محاسبه می‌شود.
میانگین جریان نقدی آزاد : { (سرمایه گذاری در اوراق بهادار + ( قیمت سهام) – (بدهی‌ها)} – { دارایی‌های جاری – موجودی نقد } که معمولاً در ارزیابی شرکت‌ها استفاده نمی‌شود.
برای اینکه ببینیم یک سرمایه‌گذاری ارزشمند است یا نه ممکن است تحلیلگر داده‌های ده‌ساله LACFYY را در یک ماه بررسی کند و آن را با عملکرد ده‌ساله‌ی اسنادخزانه مقایسه کند. هرچند تفاوت بین این دو بازدهی LAFCY و Treasury کمتر باشد، سرمایه‌گذاری کمتر موردتوجه قرار می‌گیرد.
سخن پایانی
بازده جریان نقدی آزاد به سرمایه‌گذاران و سهامداران راه محاسباتی بهتری برای عملکردهای بنیادی شرکت نسبت به P/E مطرح می‌کند. سرمایه‌گذارانی که می‌خواهند از بهترین نشانگر بنیادی استفاده کنند باید بازده جریان نقدی آزاد را به لیست محاسبات مالی خود اضافه کنند. البته نباید فقط به یک محاسبه پایبند بود. هرچند جریان نقدی آزاد و مقدار آن ازجمله مهم‌ترین راه برای ارزش‌گذاری وضعیت مالی یک شرکت است.

به این مقاله امتیاز دهید

(۱۵۱ رای)

۴.۵
/۵

ترتیبی که برای خواندن مقالات روش های ارزش گذاری به شما پیشنهاد میکنیم:

به گزارش گروه سیاسی خبرگزاری فارس،‌ جلسات هفته جاری کمیسیون‌های تخصصی مجلس شورای اسلامی در روزهای شنبه تا چهارشنبه برگزار خواهد شد. کمیسیون اصل 90 با حضور وزیر راه و شهرسازی، وضعیت خدمات رسانی ناوگان حمل و نقل هوایی و ریلی و آخرین وضعیت سامانه املاک و اسکان را بررسی خواهد کرد. بررسی گزارش وزیر آموزش و پرورش در خصوص مسائل و مشکلات حوزه آموزش و پرورش نیز در دستور کار کمیسیون آموزش قرار دارد. همچنین وزیر تعاون، کار و رفاه اجتماعی، به منظور پاسخگویی به سوالات تعدادی از نمایندگان، به کمیسیون اجتماعی خواهد رفت. وزیر کشور نیز جهت پاسخگویی به سوالات نمایندگان در کمیسیون امور داخلی و شوراها، و همچنین کمیسیون عمران حضور خواهد یافت. پایان پیام/

شما می توانید این مطلب را ویرایش نمایید

این مطلب را برای صفحه اول پیشنهاد کنید

افشای طرح جدید چند وجهی آمریکا برای منطقه – یونیت آزاد خبر

قیمت‌های پیشنهادی امروز

قیمت‌های پیشنهادی امروز

پربازدیدترین ها

یونیت آزاد خبر –

|
۱۴۰۲/۰۵/۱۳ ۱۶:۵۳:۴۸

داود منظور، رئیس سازمان برنامه و بودجه با رد شایعات افزایش قیمت بنزین تاکید کرد، یکی از تصمیمات سخت پیش روی تیم اقتصادی دولت پرهیز از شوک درمانی است.
به گزارش خبرآنلاین، داود منظور در پیامی در فضای مجازی نوشت: یکی از تصمیمات سخت پیش روی تیم اقتصادی دولت، تقویت ثبات و پیش بینی پذیری در اقتصاد و پرهیز از هرگونه شوک درمانی است.
رئیس سازمان برنامه و بودجه تاکید کرد: سیاست‌های غیرقیمتی انرژی می‌تواند بدون ایجاد تکانه‌های جدید به بهینه‌سازی مصرف انرژی کمک کند.
 

∎​