مسئله بهینهسازی پورتفوی سرمایهگذاری، یکی از مباحث بسیار مهم در بازارهای مالی است. برای مدیریت پورتفوی دو نوع استراتژی منفعلانه و فعالانه وجود دارد که ایجاد پورتفوی ردیاب شاخص یکی از جنبه های رویکرد منفعلانه برای مدیریت سبد سهام میباشد. اساس سبد ردیاب شاخص، دستیابی به چکیده کامل
مسئله بهینهسازی پورتفوی سرمایهگذاری، یکی از مباحث بسیار مهم در بازارهای مالی است. برای مدیریت پورتفوی دو نوع استراتژی منفعلانه و فعالانه وجود دارد که ایجاد پورتفوی ردیاب شاخص یکی از جنبه های رویکرد منفعلانه برای مدیریت سبد سهام میباشد. اساس سبد ردیاب شاخص، دستیابی به عملکردی مطابق با بازده شاخص با تشکیل سبدی محدود از سهام است که در پی آن هزینههای معاملاتی برای سرمایهگذار کاهش پیدا خواهد کرد. در این پژوهش، مدلی برای تشکیل پورتفوی ردیاب ارائه شده است که هدف آن کمینهسازی انحرافات نامطلوب (بازده پورتفوی کمتر از بازده شاخص) و بیشینهسازی انحرافات مطلوب (بازده پورتفوی بیشتر از شاخص) است. بمنظور حل مدل توسعه داده شده از الگوریتم ژنتیک استفاده شده است. برای ارزیابی عملکرد مدل، دادههای چهار صنعت بزرگ بورس اوراق بهادار تهران بکار گرفته شده و نتایج نشان میدهد که مدل پیشنهادی عملکرد خوبی در ردیابی شاخص مربوطه و دستیابی به بازده مازاد بر شاخص داشته است.
پرونده مقاله
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام چکیده کامل
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام است. برای این کار بطور متداول از مدلهای کلاسیک غیرخطی ریاضی و هوشمند مانند رگرسیون استفاده می شود. در مطالعه حاضر برای کاهش خطاهای پیشبینی، از مدل غیرخطی رگرسیون بردار پشتیبان با خروجیهای متعدد استفاده شده است. برای نشان دادن کارایی مدل پیشنهادی از دادههای شرکتهای شاخص S&P500 در دوره زمانی 12/09/2016 تا 02/08/2021 استفاده شده است. نتایج نشان میدهد که انتخاب سبد سهام مبتنی بر پیشبینی به کمک رگرسیون بردار پشتیبان با خروجی چندگانه به دلیل در نظر گرفتن روابط بین خروجیها به صورت همزمان از نظر معیار شارپ، عملکرد بهتری نسبت به انتخاب سبد سرمایهگذاری بر اساس پیشبینی با استفاده از روش رگرسیون دارد.
پرونده مقاله
یکی از ابزارهای قدرتمند در مسائل پیش بینی ورشکستگی که در دهه های اخیر مورد توجه بسیاری از سرمایه گذاران، مدیران و محققان قرارگرفته است؛ داده کاوی و به طور خاص ماشین بردار پشتیبان است. اما مطالعات نشان می دهد این روش نسبت به انتخاب پارامترها و متغیرهای ورودی از حساسیت ب چکیده کامل
یکی از ابزارهای قدرتمند در مسائل پیش بینی ورشکستگی که در دهه های اخیر مورد توجه بسیاری از سرمایه گذاران، مدیران و محققان قرارگرفته است؛ داده کاوی و به طور خاص ماشین بردار پشتیبان است. اما مطالعات نشان می دهد این روش نسبت به انتخاب پارامترها و متغیرهای ورودی از حساسیت بالایی برخوردار است. لذا هدف از تحقیق حاضر ترکیب مدل توسعه یافته ماشین بردار پشتیبان و k-نزدیکترین همسایه جهت حذف ورودی های دارای خطا و متعاقبا افزایش دقت پیش بینی ورشکستگی است. به این منظور ابتدا با استفاده از 5 نسبت مالی شامل نسبت جاری، حاشیه سود خالص، نسبت بدهی، بازده دارایی ها و بازده سرمایه مرتبط به 150 شرکت حاضر در بورس اوراق بهادار تهران در بازه 10 ساله 1389-1398و الگوریتم k-نزدیکترین همسایگی داده های آموزش پالایش شده و سپس با تکیه بر ماشین بردار پشتیبان مبتنی بر جریمه دسته بندی، جهت ساخت مدل پیش بینی به کار گرفته می شوند. پس از برآورد پارامترهای بهینه، اعتبارسنجی مدل با استفاده از داده های آزمایش صورت خواهد گرفت. در نهایت نتایج بدست آمده از مدل پیشنهادی و مدل های کلاسیک مورد مقایسه قرار خواهدگرفت. نتایج نشان می دهد با ترکیب مدل های k-نزدیکترین همسایه و ماشین بردار پشتیبان خطای کلی پیش بینی کاهش یافته و ضرایب جریمه ماشین بردار پشتیبان با سطح احتمال بالایی معنادار هستند.
پرونده مقاله
تحلیل اختیار ضمنی[i] چند سالی است بهعنوان روشی اثربخش برای ارزشیابیِ پروژههای املاکومستغلات[ii] در کشورهای توسعهیافته بهکار میرود. این روش با وجود قابلیتهایش هنوز نتوانسته جای خود را میان توسعهگران[iii] کشور باز نماید. دلایل اصلی این موضوع میتواند عدمتوسعه د چکیده کامل
تحلیل اختیار ضمنی[i] چند سالی است بهعنوان روشی اثربخش برای ارزشیابیِ پروژههای املاکومستغلات[ii] در کشورهای توسعهیافته بهکار میرود. این روش با وجود قابلیتهایش هنوز نتوانسته جای خود را میان توسعهگران[iii] کشور باز نماید. دلایل اصلی این موضوع میتواند عدمتوسعه دانش مالی در کشور، پیچیدگی تحلیل اختیار ضمنی و عدمکفایت داده و اطلاعات باشد. از اینرو، استفاده از مطالعات موردی میتواند اثربخشی تحلیل اختیار ضمنی را اثبات و آن را بهعنوان روشی استاندارد برای ارزشیابی پروژه به توسعهگران معرفی کند.
در این مقاله از یک مطالعه موردی بهمنظور بررسی کاربرد تحلیل اختیار ضمنی در پروژههای املاکومستغلات استفاده شده است. مقایسه نتایج حاصل از روش ارزش فعلی خالص و تحلیل اختیار ضمنی در این مطالعه موردی نشان‎ میدهد استفاده از تحلیل اختیار ضمنی بهعنوان یک روش ارزشیابی مفید و حتی ضروری میباشد. ارزشیابی پروژه یادشده از منظر تحلیل اختیار ضمنی بر اساس اختیار مرکب دوجملهای صورت میگیرد، اختیاری که برای ارزشیابی پروژههای تحقیق و توسعه نیز بهکار میرود. این روش، ارزش پروژه موردنظر را حدود 14 درصد نسبت به روش خالص ارزش فعلی افزایش میدهد.
[i]Real option analysis
[ii]Real
[iii]Developers
پرونده مقاله
نظریه اعدادz اولین بار توسط لطفیزاده در سال 2011 مطرح گردید. این نظریه به توصیف عدم قطعیت اطلاعات میپردازد به طوریکه هر عدد z بهوسیله یک جفت عدد فازی نمایش داده میشود. به دلیل وجود عدم قطعیت در بازارهای مالی میتوان از این نظریه در انتخاب سبد سرمایهگذاری بهره جست. چکیده کامل
نظریه اعدادz اولین بار توسط لطفیزاده در سال 2011 مطرح گردید. این نظریه به توصیف عدم قطعیت اطلاعات میپردازد به طوریکه هر عدد z بهوسیله یک جفت عدد فازی نمایش داده میشود. به دلیل وجود عدم قطعیت در بازارهای مالی میتوان از این نظریه در انتخاب سبد سرمایهگذاری بهره جست. بطوریکه عامل اول عددz بیانگر بازده فازی دارایی و عامل دوم عددz میزان اعتبار پیشبینی عامل اول میباشد. برای کاراتر شدن مدل انتخاب سبد سرمایهگذاری میتوان از معیار ارزش در معرض ریسک که از سنجههای نوین ریسک میباشد استفاده کرد. با توجه به در نظرگرفتن عدمقطعیت در بازده داراییها و استفاده از سنجه ارزش در معرض ریسک، این مدل میتواند مدل مناسبی در انتخاب سبد سرمایهگذاری باشد. مزیت این روش نسبت به روشهای فازی مرسوم، درنظر گرفتن عدم قطعیت در نظر خبرگان و تخصیص اعتبار به نظر آنها برای برآورد پارامترهای فازی میباشد. درنهایت نیز با درنظر گرفتن تعدادی دارایی از بورس اوراق بهادار تهران یک مثال عددی از این مدل ارائه میدهیم.
پرونده مقاله
با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیلها و تصمیمگیریها اجتناب ناپذیر است. انجام تحلیلهای سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمیدر حرکت هستند که در آن‎ چکیده کامل
با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیلها و تصمیمگیریها اجتناب ناپذیر است. انجام تحلیلهای سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمیدر حرکت هستند که در آن‎ها از تکنیک‎هایی از قبیل یادگیری ماشینی و دادهکاویاستفاده میشود. انتخاب آنلاین سبد سرمایهگذاری یکی از تکنیکهای نوین در داد و ستد الگوریتمی است به این صورت که سرمایه را به تعداد مشخصی سهم تخصیص داده و در ابتدای هر دوره با استفاده از تکنیکهایی پرتفو را به روز رسانی میکند. در واقع در این تکنیکها انسان در انتخاب پرتفو دخالتی نداشته و الگوریتم نحوهی سرمایهگذاری را در هر دوره مشخص میکند. در این مقاله الگوریتمی توسعه داده شده است که از اصل تطابق با الگودر انتخاب آنلاین سبد سرمایهگذاری پیروی میکند. در این اصل، پرتفو بر اساس الگوهای تاریخی مشابه انتخاب میشود که در این مقاله برای یافتن الگوهای تاریخی مشابه از روش خوشهبندی طیفیدر داده کاوی استفاده شده است. در این خصوص یک مثال عددی با استفاده از ۲۰ سهم فعالتر در بورس نیویورک ارائه شده و نتایج آن با الگوریتمهای دیگر در این حوزه مقایسه شده است.
پرونده مقاله