در این مطالعه سعی شده ضمن تعیین پرتفوی بهینۀ سهام آن دسته از شرکت‌های منتخب صنایع غذایی که در سازمان بورس و اوراق بهادار پذیرفته شده‌اند، با استفاده از آزمون‌های کوپیک و تابع زیان لوپز، روش مناسبی برای محاسبۀ VaR پیشنهاد گردد. در این مسیر ارزش در معرض خطر سهام با استفاده از داده‌های هفتگی سهام شرکت‌های مذکور طی دوره دی‌ماه 1386 تا اردیبهشت 1393 به دو روش GARCH مارکوف- سوئیچینگ و بوت استرپینگ محاسبه شده‌است. در ادامه نیز مرز کارای سرمایه‌گذاری برای هر روش به دست آمده و وزن های بهینۀ سهام در چارچوب مدل میانگین- ارزش در معرض خطر تعیین شده‌است.
نتایج نشان می دهد که سبد در هر دو روش سهامی، در سبد بهینۀ از وزن بالایی برخوردار بوده که خود بیانگر بالا بودن و پایین بودن  ارزش در معرض خطر می‌باشد، همچنین در روش پارامتریک بازده و ارزش در معرض خطر سبد بهینه در رژیم رونق بالاتر از رژیم رکور است که مطابق با انتظار است و طبق  نتایج آزمون کوپیک هم اعتبار هر دو روش در محاسبۀ ارزش در معرض خطر تایید شد و پس‌آزمایی لوپز ارجحیت روش MS-GARCH را نسبت به بوت استرپینگ  نشان داد، لذا پیشنهاد می شود که سرمایه گذاران برای محاسبۀ ارزش در معرض خطر سهام روش پارامتریک MS-GARCH را نسبت به روش ناپارامتریک در اولویت قرار دهند.

مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش‌بینی روند آتی آن می‌باشد. با معرفی و کاربرد گسترده مدل‌های مختلف همچون شبکه‌های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن‌ها، آگاهی از دقت این مدل‌ها جهت نیل به هدف پیش‌بینی دقیق‌تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به‌کارگیری شبکه‌های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش‌بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده‌ترین بخش مصرف‌کننده، به مقایسۀ دقیق‌تر این پیش‌بینی‌ها با استفاده از باز نمونه‌گیری از نمونه‌ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم‌های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن‌ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با  استفاده از باز نمونه‌گیری با جایگذاری از ‌داده‌های اردیبهشت‌ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال‌های‌ 1389 و 1390 توسط آن‌ها پیش‌بینی و فاصله اطمینان 95 درصدی برای پیش‌بینی‌ها محاسبه شد. نتایج بررسی معنی‌داری اختلاف پیش‌بینی مدل ترکیبی شبکه عصبی با مدل ARIMA  و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از  عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه‌ها بود.