در چند دهه گذشته شناسایی متغیرهای حالت و پارامترهای یک مدل از روی داده های اندازه گیری شده، افزایش چشمگیری داشته است این رشد گسترده نیاز فزاینده به مدلهای فراگیر و یکپارچه ایجاد کرده است. دستیابی به رشد مداوم و بلندمدت اقتصادی نیازمند تخصیص بهینه منابع می باشد و این م چکیده کامل
در چند دهه گذشته شناسایی متغیرهای حالت و پارامترهای یک مدل از روی داده های اندازه گیری شده، افزایش چشمگیری داشته است این رشد گسترده نیاز فزاینده به مدلهای فراگیر و یکپارچه ایجاد کرده است. دستیابی به رشد مداوم و بلندمدت اقتصادی نیازمند تخصیص بهینه منابع می باشد و این مهم بدون استفاده از بازارهای مالی، به ویژه بازار سرمایه کارآمد امکان پذیر نیست لذا بهینهسازی پرتفوی و تخصیص ثروت بین داراییهای مختلف از جمله مهمترین مسایل در سرمایهگذاری بحساب می آید. در این پژوهش سعی شده است تا در جهت اجرای پرتفوی مالی هوشمند روشهای موجود بهینه سازی را براساس عملکرد نسبت شارپ ارتقا داده و روش هوشمندی برای انجام معاملات براساس الگوریتمهای مختلف ارایه گردد. برای این منظور، ابتدا یک مدل سرمایهگذاری کمی با استفاده از الگوریتم مومنتوم و مدل سرمایه گذاری بلندمدت در یک افق زمانی 6 ساله با استفاده از دادههای ماهانه سازمان بورس اوراق بهادار ایجاد نموده و سپس مجموعه ای از مدلهای هوشمند (توابع کلی ، میانگین کلی و الگوریتم کلی با فیلترکالمن) ایجاد می شود که میزان سرمایه را با استفاده از الگوهای هوشمند برای به حداکثر رسانیدن بازده و جلوگیری از سرمایه گذاری در سهام های با بازده منفی محاسبه نموده و تحصیص بهینه سرمایه دهد که ساختار پیشنهادی عملکرد بهتری نسبت به سایر الگوریتم های مرسوم داشته و می توان آن را جایگزین این روش ها کرد و به نتایج مطلوب تر دست یافت نهایتاً نتایج نشان دهنده کارایی و بهینه بودن مدل پیشنهادی می باشد.
پرونده مقاله