دانلود پایان نامه ارشد: طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش بینی نرخ ارز در ایران

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته اقتصاد

گرایش : علوم اقتصادی

عنوان : طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­بینی نرخ ارز در ایران

دانشگاه مازندران

دانشکده علوم اقتصادی و اداری

پایان نامه دوره کارشناسی ارشد در رشته علوم اقتصادی

موضوع:

طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­ بینی نرخ ارز در ایران

استاد راهنما:

دکتر امیر منصور طهرانچیان

استاد مشاور:

دکتر مهدی خاشعی

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود(در فایل دانلودی نام نویسنده موجود است)تکه هایی از متن پایان نامه به عنوان نمونه :(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)فهرست مطالب:فصل یکم: مقدمه و کلیاتمقدمه.......................................... 31-1. بیان مساله.......................................... 41-2. پرسش پژوهش............................................ 81-3. فرضیه ­های پژوهش............................................ 81-4. اهداف پژوهش............................................ 91-5. روش پژوهش............................................ 91-6. تعریف واژگان کلیدی........................................... 111-7. سازماندهی پژوهش............................................ 11فصل دوم: ادبیات موضوعمقدمه.........................................132-1. مبانی نظری........................................... 132-1-1. تحلیل فنی........................................... 152-1-1-1. مبانی تحلیل فنی........................................... 162-1-1-2. پایه و اساس تحلیل فنی........................................... 172-1-2. تحلیل بنیادی........................................... 182-1-2-1. نقاط ضعف تحلیل بنیادی........................................... 192-1-3. فرضیه گام تصادفی........................................... 202-1-4. انواع نظام­های ارزی........................................... 202-1-4-1. نظام­های ارزی شناور.......................................... 222-1-4-2. نظام­های ارزی میانه.......................................... 242-1-4-3. نظام­های ارزی میخکوب شده نرم.......................................... 252-1-4-4. نظام­های ارزی میخکوب سخت............................................ 272-1-5. دیدگاه­های مختلف در ادبیات نرخ ارز.......................................... 282-1-5-1. دیدگاه سنتی نرخ ارز.......................................... 28الف. روش کشش­ها .........................................28ب. الگوی برابری قدرت خرید ( ).......................................... 30ج. الگوی ماندل – فلمینگ ( ).......................................... 322-1-5-2. دیدگاه جدید دارایی........................................... 34الف. الگوهای پولی تعیین نرخ ارز.......................................... 34ب. الگوی تعادل پورتفولیو.......................................... 372-2. مطالعات انجام شده......................................... 382-2-1. مطالعات خارجی........................................... 382-2-2. مطالعات داخلی........................................... 462-3. مروری بر تحولات ارزی ایران.......................................... 482-3-1. تحولات ارزی تا زمان وقوع انقلاب اسلامی........................................... 482-3-2. تحولات ارزی پس از وقوع انقلاب اسلامی........................................... 50فصل سوم: روش پژوهش3-1. مقدمه.......................................... 553-2. حدود پژوهش و روش جمع­آوری داده­ها و اطلاعات................................. 553-3. پیش بینی........................................... 563-4. الگوهای پیش­بینی سری­های زمانی.......................................... 573-4-1. الگوی خودرگرسیون میانگین متحرک انباشته ( ).............................. 583-4-1-1. تاریخچه خودرگرسیون میانگین متحرک انباشته............................... 583-4-1-2. ویژگی­های روش خودرگرسیون میانگین متحرک انباشته..................... 593-4-1-3. الگوسازی ،  و ........................................... 603-4-1-4. الگوی خودرگرسیون میانگین متحرک انباشته............................. 623-4-1-5. مراحل الگوسازی سری زمانی با روش خودرگرسیون میانگین متحرک انباشته.........633-4-2. الگوهای شبکه­های عصبی مصنوعی ( ).......................................... 643-4-2-1. تاریخچه شبکه­های عصبی مصنوعی........................................... 643-4-2-2. مبانی شبکه­های عصبی مصنوعی........................................... 653-4-2-3. مزیت­ها و معایب شبکه­های عصبی مصنوعی.................................. 663-4-2-4. ساختار شبکه ­های عصبی مصنوعی.......................................... 663-4-2-5. دسته­ بندی داده ­ها......................................... 683-4-2-6. واحدهای پردازش............................................ 693-4-2-7. انواع توابع فعال­سازی (تبدیل).......................................... 693-4-2-8. انواع شبکه­ های عصبی........................................... 713-4-2-9. مراحل اساسی ساخت یک شبکه عصبی مصنوعی............... 743-4-2-10. الگوریتم­های آموزش شبکه­ های عصبی مصنوعی................. 753-4-2-11. شبکه­ های پرسپترون چند لایه ( ).......................................... 763-4-2-12. معیارهای خطا......................................... 793-4-3. مفاهیم فازی........................................... 803-4-3-1. تاریخچه نظریه فازی........................................... 803-4-3-2. مجموعه های فازی........................................... 813-4-3-3. عملگرهای فازی........................................... 823-4-3-4. اصل گسترش در مجموعه­ های فازی........................................... 823-4-3-5. عدد فازی........................................... 833-4-3-6. مبانی رگرسیون فازی........................................... 853-5. الگوی هوش محاسباتی ترکیبی........................................... 87فصل چهارم: یافته­های پژوهش4-1. مقدمه.......................................... 964-2. مجموعه­ی داده ­ها .........................................964-3. آماده­سازی داده ­های ورودی........................................... 974-4. برازش الگوی خودرگرسیون میانگین متحرک انباشته................. 984-5. طراحی و آموزش یک شبکه عصبی مصنوعی......................... 1054-5-1. انتخاب نوع شبکه.......................................... 1064-5-2. تعیین تعداد لایه­ ها .........................................1064-5-3. تعیین تعداد نرون­های هر لایه.......................................... 1074-5-4. تعیین توابع فعال­سازی........................................... 1104-5-5. تعیین الگوریتم آموزش............................................ 1104-5-6. مجموعه­های آموزش و آزمون.......................................... 1114-5-7. معیار سنجش عملکرد.......................................... 1114-6. فازی­سازی الگوی  طراحی شده.......................................... 1134-7. فازی­سازی تجدید نظر شده و نهایی سازی مقادیر ضرایب............... 1174-8. مقایسه الگوی هوش محاسباتی ترکیبی با سایر الگوها................. 1184-9. آزمون فرضیه­های پژوهش............................................ 119فصل پنجم: خلاصه، نتیجه­گیری و پیشنهادها5-1. خلاصه و نتیجه ­گیری........................................... 1225-2. پیشنهادها .........................................123 منابع.......................................... 124 پیوست........................................... 132چکیده:پیش­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه­ریزی و تدوین روش­های مالی است. دقت پیش­بینی از مهم­ترین عوامل مؤثر در انتخاب روش پیش­بینی است. امروزه با وجود روش­های متعدد پیش­بینی، هنوز پیش­بینی دقیق نرخ ارز کار چندان ساده­ای نیست و اکثر محققان درصدد به­کارگیری و ترکیب روش­های متفاوت به منظور دستیابی به نتایج دقیق­تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم­ترین و پرکاربردترین الگوهای سری‌های زمانی هستند. مهم­ترین محدودیت آن­ها پیش‌فرض خطی‌بودن الگو است. شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش­بینی با داده­های کم است. امّا عملکرد آن­ها در حالت کلی چندان رضایت‌بخش نیست. بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده ‌شده است. اطلاعات استفاده شده در این پژوهش شامل 115 داده­ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازه­گیری عملکرد پیش­بینی الگوی ارایه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )، میانگین مربع خطا ( )، مجموع مربع خطا ( )، ریشه میانگین مربع خطا ( )، میانگین درصد مطلق خطا ( ) و میانگین خطا ( ) استفاده شده است. نتایج نشان می­دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق­تری در پیش­بینی نرخ ارز (دلار در مقابل ریال) ارایه می­دهد.فصل یکم: مقدمه و کلیاتمقدمه:پیش­بینی یکی از ابزارهای مدیریت مؤفق و عنصر کلیدی در مدیریت و برنامه­ریزی­های اقتصادی محسوب می­شود. نرخ ارز به عنوان یک متغیر کلان اقتصادی بسیار پراهمیت و تأثیرگذار بر بخش­های مختلف داخلی و خارجی اقتصادی یک کشور، هم­چون وضعیت تراز ­پرداخت­ها و قدرت رقابت بین­المللی، نقش تعیین­کننده­ای در سیاست­گذاری­های اقتصادی ایفا می­کند. تغییرات نرخ ارز، بخش­های مختلف اقتصاد یک کشور را تحت تأثیر قرار می­دهد. بنابراین، الگوسازی و پیش­بینی روند آتی این متغیر برای ارایه سیاست­ها و رهنمود­های اقتصادی امری ضروری به نظر می­رسد اما این امر با توجه به ساختار اقتصادی ایران اهمیت دوچندانی پیدا می­کند. از آن­جا که قسمت اعظم درآمد­های ارزی کشور از طریق فروش نفت خام تأمین می­شود و منبع اصلی درآمد دولت نیز همین فروش نفت خام است، به همین علت تغییرات نرخ ارز می­تواند تأثیرات بسیاری بر ساختار اقتصادی کشور و بازار­های داخلی داشته باشد. با توجه به موارد گفته شده جای تعجب نیست که حجم عظیمی از ادبیات اقتصادی به الگو­سازی و پیش­بینی نرخ­های ارز پرداخته است.بررسی ادبیات موضوع مربوط به پیش­بینی در بازارهای مالی نشان­دهنده­ی این مطلب است که بررسی رفتار نرخ ارز با استفاده از یک الگو به سختی قابل پیش­بینی بوده و پیش­بینی نرخ ارز مشکلات ذاتی به همراه دارد (پرمینگر و فرانک[1]، 2007).به­کارگیری روش­های ترکیبی یا ترکیب روش­های مختلف یک راه متداول به منظور رفع محدودیت­های روش­های تکی و بهبود دقت پیش­بینی­ها است. ایده­ی اساسی در ترکیب روش­ها بر این اساس استوار است که هیچ یک از روش­های موجود، یک روش جامع برای پیش­بینی نبوده و قابلیت به­کارگیری در هر شرایط و هر نوع داده را ندارد. بنابراین، با ترکیب روش­های مختلف می­توان نقاط ضعف یک روش را با استفاده از نقاط قوت روش دیگر بهبود بخشید (چن[2]، 1996).بنابراین، در این پژوهش با به­کارگیری مفاهیم پایه­ای و مزیت­های منحصر به فرد هر یک از الگو­های خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و رگرسیون فازی، یک روش ترکیبی به منظور دستیابی به نتایج دقیق­تر برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) ارایه می­شود.1-1- بیان مسألهپیش­بینی از ابزارها و راهکارهای مؤثر به منظور برنامه­ریزی و تدوین روش­های مالی است. دقت پیش­بینی­ یکی از مهم­ترین مؤلفه­های مؤثر در انتخاب روش پیش­بینی است. پیش­بینی متغیرهای اقتصادی به دو صورت پیش­بینی کیفی[1] و پیش­بینی کمی[2] صورت می­پذیرد. پیش­بینی کیفی به تجربه و توانایی­های افراد و پیش­بینی کمی به تابع توزیع احتمال هر پدیده بستگی دارد. گجراتی[3] پیش­بینی را بخش مهمی از تحلیل­های اقتصاد­سنجی می­داند و برای برخی از پژوهش­گران مهم­ترین قسمت از علم اقتصاد­سنجی، پیش­بینی است. فریدمن[4] معتقد است تنها آزمون مناسب برای اعتبار یک الگو، مقایسه­ی پیش­بینی آن با تجربه است. پیندایک و روبین­فلد[5] هدف اصلی از ساختن الگوهای رگرسیون را پیش­بینی می­دانند.نرخ ارز یک متغیر اقتصادی است که پیش­بینی آن مورد توجه­ی بسیاری از فعالان اقتصادی است. این فعالان اقتصادی را می­توان به سه گروه تقسیم کرد. دسته­ی اول سیاست­گذاران اقتصادی و بانک­های مرکزی هستند. تحت یک نظام ارزی شناور بانک­های مرکزی به منظور هموارسازی نوسانات بازار، در بازار ارز مداخله می­کنند. دلایل آن­ها برای این مداخله می­تواند شامل نوسان­های بیش از حد معمول نرخ ارز و در نتیجه اثرات آن بر فعالیت­های اقتصادی باشد. بنابراین، پیش­بینی نرخ ارز از طرف این گروه لازمه­ی چنین مداخله­ای است. دسته­ی دوم بنگاه­های فعال در زمینه تجارت و سرمایه­گذاری مستقیم خارجی هستند که با جهانی شدن اقتصاد، این نوع سرمایه­گذاری­ها و به تبع آن ریسک­های مرتبط با این فعالیت­های بین­المللی افزایش یافته است. از مهم­ترین ریسک­های مرتبط با این فعالیت­ها، ریسک مربوط به نرخ ارز است؛ چرا که تغییرات نرخ ارز، درآمد، هزینه و به تبع آن سود بنگاه­ها را به منظور کسب منفعت بیش­تر تحت تأثیر قرار می­دهد. در نهایت دسته­ی سوم سفته­بازان بازار ارز هستند که با توجه به اهمیت این بازار در عرصه­ی بین­المللی می­توان این گروه را مشتاق­ترین علاقمندان به پیش­بینی نرخ ارز دانست (موسا[6]، 2000).پیش­بینی نرخ­ ارز برای فعالان و پیش­بینی­کنندگان در بازار نرخ ارز از اهمیت اساسی برخوردار است. با وجود این، برخی معتقدند که پیش­بینی نرخ ارز امکان­پذیر نبوده و سیر تکاملی هر نوع نرخ ارزی از فرضیه­ی بازار کارا ( )[7] تبعیت می­کند. براساس این فرضیه، بهترین روش برای پیش­بینی نرخ ارز روز آتی، اتکا به نرخ کنونی آن بوده و نرخ ارز واقعی از فرضیه­ی گام تصادفی ( )[8] پیروی می­کند. این بدبینی در پیش­بینی نرخ ارز، پس از انتشار مقاله میس و روگوف[9] به وجود آمد. آنان در مطالعه خود نشان دادند که هیچ نوع روش تک معادله­ای، برای پیش­بینی نرخ ارز، بهتر از روش گام تصادفی نیست. چراکه تمامی روش­های بررسی شده توسط این محققان، روش­هایی خطی بوده، در صورتی که این حقیقت توسط بسیاری از محققین پذیرفته شده که تغییرات نرخ ارز، غیرخطی است (پایلبیم[10]، 1998).نتایج حاصل از بررسی کارا و یا ناکارا بودن بازارهای مالی در ایران نشان­دهنده­ی ناکارا بودن بازار ارز در ایران است (سلامی، 1380).به­کارگیری روش­های سری زمانی به منظور پیش­بینی بازارهای مالی، بهبود تصمیم­گیری­ها و سرمایه­گذاری­ها به ضرورتی انکارناپذیر در دنیای امروز تبدیل شده است. تلاش­های زیادی در چند دهه­­ی اخیر به منظور توسعه و بهبود الگوهای پیش­بینی سری­های زمانی انجام شده است. یکی از مهم­ترین و پرکاربردترین الگوهای سری­های زمانی، الگوهای خودرگرسیون میانگین متحرک انباشته هستند. این الگوها به­دلیل سادگی در فهم و به­کارگیری، در چند دهه­ی اخیر بسیار مورد توجه بوده­اند، اما به­کارگیری آن­ها در حالت کلی محدود است. مهم­ترین محدودیت این­گونه الگوها پیش فرض خطی بودن آن­ها است. بنابراین، الگوهای غیر خطی نمی­توانند توسط الگوی خودرگرسیون میانگین متحرک انباشته محاسبه گردند و به همین دلیل است که برآورد الگوهای خطی، برای مسایل پیچیده دنیای واقعی که بیش­تر الگوهای غیرخطی هستند، همیشه رضایت­بخش نخواهد بود (خاشعی و بیجاری، 1387).شبکه‌های عصبی مصنوعی از جمله مهم­ترین و دقیق‌ترین روش­های حال حاضر جهت الگو‌سازی غیرخطی داده‌ها هستند. اما با وجود تمامی مزیت‌های شبکه‌های عصبی، این‌گونه از شبکه‌ها را نمی‌توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت.روش­های پیش­بینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روش­های مشابه به داده­های کمتری نیاز دارد اما عملکرد آن­ها همیشه رضایت­بخش نیست (خاشعی و بیجاری[11]، 2009).بنابراین، در پژوهش حاضر از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و دستیابی به نتایج دقیق­تر برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) استفاده می­شود.2-1- پرسش پژوهشآیا الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوهای خود­رگرسیون میانگین متحرک انباشته ( )[1]، شبکه­های عصبی مصنوعی ( )[2] و الگوی ترکیبی ) ارایه می­دهد؟3-1- فرضیه های پژوهشبا توجه به پرسش پژوهش سه فرضیه وجود دارد:1- الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی خود رگرسیون میانگین متحرک انباشته ارایه می­دهد.2- الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی شبکه عصبی مصنوعی ارایه می­دهد.3-  الگوی هوش محاسباتی ترکیبی پیش­بینی دقیق­تری از نرخ ارز در مقایسه با الگوی ترکیبی ( ) ارایه می­دهد.4-1- اهداف پژوهشبا توجه به اهمیت پیش­بینی نرخ ارز، هدف اصلی پژوهش حاضر طراحی یک الگوی هوش محاسباتی ترکیبی برای پیش­بینی نرخ ارز در اقتصاد ایران است. در مسیر تحقق این هدف اصلی، برخی دیگر از اهداف فرعی نیز محقق خواهد شد که در زیر به آن­ها اشاره شده است:- بررسی و مقایسه­ی دقت پیش­بینی الگو­های هوش محاسباتی ترکیبی و خودرگرسیون میانگین متحرک انباشته در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)- بررسی و مقایسه­ی دقت پیش­بینی الگو­های هوش محاسباتی ترکیبی و شبکه عصبی مصنوعی در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)- بررسی و مقایسه­ی دقت پیش­بینی الگو­ی هوش محاسباتی ترکیبی و الگوی ترکیبی ( ) در پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران)5-1- روش پژوهشدر پژوهش حاضر به منظور پیش­بینی­ نرخ ارز، یک الگوی ترکیبی جدید با تکیه بر مفاهیم اساسی الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه­های عصبی مصنوعی و رگرسیون فازی ارایه می­شود. هم­چنین در الگوی ارایه شده، از شبکه‌های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت‌های خطی و تعداد داده‌های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده می­شود.در الگوی ارایه شده در مرحله­ی اول، ابتدا یک الگوی خودرگرسیون میانگین متحرک انباشته به منظور الگوسازی جز خطی الگو ، بر روی داده‌های سری زمانی مورد مطالعه برازش می‌گردد. در مرحله­ی دوم، یک شبکه عصبی با استفاده از اطلاعات موجود در باقیمانده‌های الگوی خودرگرسیون میانگین متحرک انباشته آموزش می­بیند. در مرحله­ی سوم، نتایج به­دست‌آمده از مرحله­ی یک و دو به منظور الگوسازی تمامی روابط موجود در داده‌های سری زمانی مورد مطالعه ترکیب می­شوند. در مرحله­ی چهارم الگوی ترکیبی ( )، فازی­سازی می­شود. در نهایت الگوی فازی­سازی شده برای پیش­بینی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) اعمال و عملکرد آن با الگوهای خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی و الگوی ترکیبی ( ) مقایسه می­شود.در پژوهش حاضر به منظور اندازه گیری عملکرد پیش­بینی الگوی ارایه شده از شاخص­های مختلفی مانند میانگین مطلق خطا ( )[1]، میانگین مربع خطا ( )[2]، مجموع مربع خطا ( )[3]، ریشه میانگین مربع خطا ( )[4]، میانگین درصد مطلق خطا ( )[5] و میانگین خطا ( )[6] استفاده می­شود.[1]. Mean Absolut Error[2]. Mean Squared Error[3]. Sum Squared Error[4]. Root Mean Squared Error[5]. Mean Absolute Persentage Error[6]. Mean Error[1]. Auto - Regressive Integrated Moving Average[2]. Artificial Neural Network[1]. Qualitative Forecasting[2]. Quantitative Forecasting[3]. Gujarati (1995)[4]. Friedman (1953)[5]. Pindyck & Rubinfeld (1991)[6]. Moosa[7]. Efficient Market Hypothesis[8]. Random Walk Hypothesis[9]. Meese & Rogoff­ (1983)[10]. Pilbeam[11]. Khashei & Bijari[1]. Preminger & Franck[2]. Chenتعداد صفحه : 141قیمت : 14000تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09309714541 (فقط پیامک)        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

--  -- --

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید