هدف: جنگها به یکباره رخ نمیدهند. بلکه نشانههای ضعیف روند شکلگیری جنگ، خیلی زودتر از نشانههای قوی آن که صدای شلیک و انفجار است، انتشار پیدا میکنند؛ و بازارهای مالی جهانی حساسترین عرصهی تاثیرگذار و تاثیرپذیر در مناسبات جهان هستند که نشانههای ضعیف و قوی جنگهای محتمل آینده را به شکل رفتارهای مالی بروز میدهند. لذا کافیست با تشخیص و شناسائی به هنگام این نشانهها، احتمال وقوع جنگها و تهدیدات آینده را گمانهزنی کرد. روش: در این پژوهش با استفاده از روشهای آماری تحلیل داده، تحلیل همبستگی و مدلهای رگرسیونی، امکان تعریف آماری نشانههای ضعیف هشدار پیش از وقوع جنگ با مطالعه موردی جنگ روسیه و اوکراین بررسی شد. بر این اساس با استفاده از دادههای بازارهای مالی در بازهی زمانی پیش از وقوع جنگ، الگوهای آماری قابل تعریف به عنوان نشانههای ضعیف تغییر رفتارهای بازارهای مالی بررسی شد. یافتهها: نتایج نشان دادند اکثر بازارهای داخلی و خارجی با هم همبستگی آماری داشته و نمودارهای سری زمانی حاکی از اینست که بازارها قبل از جنگ رفتارهای متفاوتی نشان دادهاند. همچنین، برازش مدلهای رگرسیونی، بیتکوین همبستگی منفی با بازار بورس داشته است که این همبستگی توسط دو متغییر دیگر کنترل میشود. نتیجهگیری: با ارائه تعریف نشانههای ضعیف آماری و استفاده از روش فاصله اطمینان، بعضی از مشاهدات خارج از بازهی معمول بازار شناسایی شدند که به عنوان تعریف عملیاتی نشانههای ضعیف بازارهای مالی به منظور پیشبینی جنگهای محتمل آینده اطلاق میشوند.
تازه های تحقیق
توصیههای کلیدی برای سیاستگذاران دفاعی:
بهرهگیری از رویکردهای پیشبینی به هنگام دادهمحور در تحلیل و پیشبینی احتمال وقوع درگیریهای محتمل آینده و توجه به زمینههای مطالعاتی لازم
بهرهگیری از رویکردهای پیشبینی به هنگام شبکهمحور در تحلیل و پیشبینی احتمال وقوع درگیریهای محتمل آینده و و توجه به زمینههای مطالعاتی لازم
کمک به توسعه مطالعات تخصصی حوزه شناسائی نشانههای ضعیف با تکیه بر هوش مصنوعی
توسعه سازوکارهای سازمانی پیشبینی اجتماعی-فنی مبتنی بر شناسائی به هنگام نشانههای ضعیف تغییرات آینده در ساختار سازمان نیروهای مسلح ج. ا. ایران
امینی، حامد و جبل عاملی، محمدسعید. (1398). توسعه مدل آینده نگاری مبتنی بر رویکرد فراتلفیق. آینده پژوهی دفاعی، 4(15)، 7-34. ( DOI: 10.22034/dfsr.2020.38887)
تهرانی، رضا و سیدخسروشاهی، سیدعلی. (1396). انتقال نوسان و اثر متقابل بازارهای سهام، ارز و طلا. چشم انداز مدیریت مالی، 7(18)، 9-31.https://jfmp.sbu.ac.ir/article_95161.html))
خدایاری، محمدعظیم، یعقوب نژاد، احمد و خلیلی عراقی، مریم. (1399). مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون و مدل شبکه عصبی. اقتصاد مالی، 14(52)، 223-240.(https://sanad.iau.ir/Journal/ecj/Article/1063220)
دهقانی، مریم، قاسم زاده، محمد و انصاری سامانی، حبیب. (1398). الگوریتم های یادگیری ماشین برای سری های زمانی در بازارهای مالی. رایانش نرم و فن آوری اطلاعات، 8(3)، 60-67. (https://jscit.nit.ac.ir/article_91216.html)
رادمهر، فرید و شمس قارنه، ناصر. (1391). پیش بینی شاخص بورس تهران با استفاده از سری زمانی فازی بر اساس تعریف نرخ بازده. دانش سرمایه گذاری، 1(4)، 175-193. (http://www.jik-ifea.ir/article_7420.html)
سیفی کلستان، ابوذر و پدرام، عبدالرحیم. (1399). مفهوم نشانههای ضعیف درآیندهپژوهی. آیندهپژوهی دفاعی، 5(17)، 39-61. (https://www.dfsr.ir/article_47091.html)
سیفی کلستان، ابوذر، قرآیی، محمدرضا و پورصادق، ناصر. (1401). بررسی روش شناسی و جایگاه مفهومی نشانه های ضعیف در ادبیات آینده پژوهی و فناوری های نوپدید؛ یک مطالعه ی مقایسه ای کیفی. آینده پژوهی انقلاب اسلامی، 3(3)، 11-48. (https://fsir.ihu.ac.ir/article_207820.html?lang=fa)
عظیمی، عطیه، جلاییاسفندآبادی، سیدعبدالمجید و حسنزادهجزدانی، علیرضا. (1401). بررسی اثر عمق مالی بر بازار پول و متغیرهای اقتصاد کلان: رهیافت تعادل عمومی پویای تصادفی.فصلنامهی علمیاقتصاد و بانکداری اسلامی، 39(11), 79-104. (https://mieaoi.ir/article-1-1215-fa.html)
علی احمدی، سعید و احمدلو، مجید. (1390). پیش بینی قیمت قراردادهای آتی سکه طلا با استفاده از مدل آریما در بورس کالای ایران. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 4(9)، 61-74. (https://sanad.iau.ir/Journal/jfksa/Article/803225)
محمدی، علی و پشوتنی زاده، هومن. (1396). برنامه ریزی سناریو اثر تغییرات نرخ ارز و قیمت طلای جهانی بر بازار مالی ایران با استفاده از رویکرد پویایی شناسی سیستمی. چشم انداز مدیریت مالی، 7(19)، 27-50. (https://jfmp.sbu.ac.ir/article_95196.html)
Amini, H. and Jabalameli, M. S. (2020). Developing a Foresight Model Based on a Meta-Synthesis Approach. Defensive Future Studies, 4(15), 7-34. doi: 10.22034/dfsr.2020.38887[in Persian] (doi: 10.22034/dfsr.2020.38887)
Tehrani, Reza and Seyed Khosrowshahi, Seyed Ali. (2017). Volatility Transmission and Interaction between Stock, Currency and Gold Markets. Financial Management Perspectives, 7(18), 9-32.[in Persian] (doi:20.1001.1.26454637.1396.7.18.1.0)
Khodayari, Mohammad Azim, Yaghoub Nejad, Ahmad, and Khalili-Iraqi, Maryam. (2019). Comparing the estimation of financial market volatility using a regression model and a neural network model. Financial Economics, 14(52), 223-240. [in Persian] (https://sanad.iau.ir/Journal/ecj/Article/1063220)
Dehghani, M. Mohammad, M., and Ansari-samani, H. (2019). Machine Learning Algorithms for Time Series in Financial Markets. Journal of Soft Computing and Information Technology, 8(3), 60-67. [in Persian] (https://jscit.nit.ac.ir/article_91216.html)
Radmehr, Farid, and Shams Qarneh, Naser. (2012). Forecasting Tehran Stock Exchange Index Using Fuzzy Time Series Based on the Definition of Rate of Return. Investment Knowledge, 1(4), 175-193. [in Persian] (http://www.jik-ifea.ir/article_7420.html)
Seifi Kalestan, A. and Pedram, A. (2020). Weak Signals concept in Futures Studies. Defensive Future Studies, 5(17), 39-61. [in Persian] (doi: 10.22034/dfsr.2020.131749.1411)
Seifi Kalestan, A. Gharayi, M., & Poursadegh, N. (2022). Exploration of Weak Signals methodology and conceptual position in Futures Studies and Emerging Technologies literature؛ A Comparative Qualitative Study. Futures Studies Of The Islamic Revolution, 3(3), 11-48. [in Persian] (https://fsir.ihu.ac.ir/article_207820.html?lang=fa)
Erfani, Alireza. (2008) Book: Introductory Econometrics: A New Method of Fundamentals of Regression Analysis with Time Series Data (Volume 2), Semnan University. [in Persian] (https://press.semnan.ac.ir/index.php/books/)
Azimi, Atiyeh, Jalaei-Esfandabadi, Seyed Abdul Majid, and Hassanzadeh-Jazdani, Alireza. (2022). Investigating the effect of financial depth on the money market and macroeconomic variables: A stochastic dynamic general equilibrium approach. Quarterly Journal of Islamic Economics and Banking, 39(11), 79-104. [in Persian] (https://mieaoi.ir/article-1-1215-fa.html)
Ali Ahmadi, Saeed, and Ahmadlou, Majid. (2011). Forecasting the price of gold coin futures contracts using the ARIMA model in the Iranian Commodity Exchange. Financial Knowledge of Securities Analysis (Financial Studies), 4(9), 61-74. [in Persian] (https://sanad.iau.ir/Journal/jfksa/Article/803225)
Mohammadi, A. and Pashootanizadeh, H. (2017). Scenario Planning the Effect of Foreign Gold Price and Exchange Rate on the Financial market Using the System Dynamics approach. Financial Management Perspective, 7(19), 27-50. [in Persian] (https://jfmp.sbu.ac.ir/article_95196.html)
Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. California management review, 18(2), 21-33. (https://cmr.berkeley.edu/1975/02/18-2)
Babii, A. Ghysels, E., & Striaukas, J. (2022). Machine learning time series regressions with an application to nowcasting. Journal of Business & Economic Statistics, 40(3), 1094-1106. (https://doi.org/10.1080/07350015.2021.1899933)
Blanco, S. Lesca, H. (1997). Environmental scanning: designing a collective learning process to track down weak signals, Presentation in Actes de la 3e Conférence de l’AIS Amérique (Association for Information Systems), Indianapolis, USA. (https://www.researchgate.net/publication/239611722)
A. Conde, A. Mori, U., & Lozano, J. A. (2021). A review on outlier/anomaly detection in time series data. ACM Computing Surveys (CSUR), 54(3), 1-33. (https://doi.org/10.1145/3444690)
Garcia-Nunes, P. I. Rodrigues, P. A. Oliveira, K. G. & da Silva, A. E. A. (2020). A computational tool for weak signals classification–Detecting threats and opportunities on politics in the cases of the United States and Brazilian presidential elections. Futures, 123, 102607. (https://doi.org/10.1016/j.futures.2020.102607)
Gokhberg, L. Kuzminov, I. Khabirova, E. & Thurner, T. (2020). Advanced text-mining for trend analysis of Russia’s extractive industries. Futures, 115, 102476. (https://doi.org/10.1016/j.futures.2019.102476)
Gupta, M., Gao, J., Aggarwal, C. C. & Han, J. (2013). Outlier detection for temporal data: A survey. IEEE Transactions on Knowledge and Data Engineering, 26(9), 2250-2267. (https://ieeexplore.ieee.org/document/6684530)
Gupta, R., Pierdzioch, C., Selmi, R. & Wohar, M. E. (2018). Does partisan conflict predict a reduction in US stock market (realized) volatility? Evidence from a quantile-on-quantile regression model. The North American Journal of Economics and Finance, 43, 87-96. (https://doi.org/10.1016/j.najef.2017.10.006)
Harrysson, M. Métayer, E. & Sarrazin, H. (2014). The strength of ‘weak signals’. McKinsey Quarterly, 1-4. (https://www.mckinsey.com/)
Hiltunen, E. (2008). The future sign and its three dimensions. Futures, 40(3), 247-260. (DOI:10.1016/j.futures.2007.08.021)
Heinonen, S. & Hiltunen, E. (2012). Creative Foresight Space and the Futures Window: Using visual weak signals to enhance anticipation and innovation. Futures, 44(3), 248-256. (https://doi.org/10.1016/j.futures.2011.10.007)
Ilmola, L. & Kuusi, O. (2006). Filters of weak signals hinder foresight: Monitoring weak signals efficiently in corporate decision-making. Futures, 38(8), 908-924. (https://doi.org/10.1016/j.futures.2005.12.019)
Kim, S. Kim, Y. E. Bae, K. J. Choi, S. B. Park, J. K. Koo, Y. D. & Hong, S. W. (2013). NEST: A quantitative model for detecting emerging trends using a global monitoring expert network and Bayesian network. Futures, 52, 59-73. (https://doi.org/10.1016/j.futures.2013.08.004)
Lou, H. Hao, R. & Zhang, J. (2024). Weak Signal Extraction in Noise Using Variable-Step Gaussian-Sinusoidal Filter. Machines, 12(9), 601. (https://doi.org/10.3390/machines12090601)
Mendonça, S. e Cunha, M. P. Kaivo-oja, J. & Ruff, F. (2004). Wild cards, weak signals and organisational improvisation. Futures, 36(2), 201-218. (https://doi.org/10.1016/S0016-3287(03)00148-4)
Ojala, J. & Uskali, T. (2007). Any weak signals? The New York Times and the stock market crashes of 1929, 1987, and 2000. Information flows: new approaches in the historical study of business information, 103-136. (https://www.academia.edu/444732/)
Rousseau, P., Camara, D., Kotzinos, D. (2021). Weak signal detection and identification in large data sets: a review of methods and applications. (DOI:10.13140/RG.2.2.20808.24327/1)
Schoemaker, P. J. & Day, G. S. (2009). How to make sense of weak signals. Leading Organizations: Perspectives for a New Era, 2, 37-47. (https://sloanreview.mit.edu/article/)
Su, L., Deng, L., Zhu, W., & Zhao, S. (2020). Statistical detection of weak pulse signal under chaotic noise based on Elman neural network. Wireless Communications and Mobile Computing, 2020, 1-12.(https://doi.org/10.1155/2020/9653586)
Tsay Ruey, S. (2005). Analysis of Financial Time Series, 3rd Edition, Wiley. & Sons. (https://www.wiley.com/en-gb/)
Van Veen, B. L. & Ortt, J. R. (2021). Unifying weak signals definitions to improve construct understanding. Futures, 134, 102837. (DOI:10.1016/j.futures.2021.102837)
Wallace, E. Benayoun, M. Van Drongelen, W. & Cowan, J. D. (2011). Emergent oscillations in networks of stochastic spiking neurons. Plos one, 6(5), 1-16. (https://doi.org/10.1371/journal.pone.0014804)
Yang, H. Xu, G. Tian, S. Zhu, H., & Shan, Y. (2024). Weak Signal Detection in the Hodgkin–Huxley Neural Network with Channel Blocks under Electromagnetic Stimulus. Fluctuation and Noise Letters, 23(01), 2450009. (https://doi.org/10.1142/S0219477524500093)
Zhang, G. Cao, L. Wu, M. & Li, Z. (2024). Stochastic Resonance Effect in Segmented Underdamped Asymmetric Tristable System and its Application in Weak Signal Detection Research. Fluctuation and Noise Letters, 2550001. (https://doi.org/10.1142/S0219477525500014)
Zhu, L. L. & Zhao, Y. (2009). Weak Signal Detection in Noisy Chaotic Time Series Using ORBFNN. In 2009 2nd International Congress on Image and Signal Processing (pp. 1-4). IEEE.(DOI: 10.1109/CISP.2009.5304667)
