انتخاب سبد سهام با استفاده از تئوری دمپستر شفر (مطالعه موردی: شرکتهای پذیرفته شده در بورس اوراق بهادار تهران)

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

مهسا عباسی شیرسوار ¹ , سیدعلی نبوی چاشمی ²

1 - گروه مدیریت مالی، واحدبابل، دانشگاه آزاد اسلامی، بابل، ایران
2 - گروه مدیریت مالی، واحدبابل، دانشگاه آزاد اسلامی، بابل، ایران

تاریخ دریافت : 1348/10/11 تاریخ پذیرش : 1348/10/11 تاریخ انتشار : 1348/10/11

کلید واژه: سبد سهام, بورس اوراق بهادار, تئوری دمپستر شفر,

چکیده مقاله :

مدل بازده ریسک مارکویتز برای انتخاب سبد سهام در سال های اخیر مورد انتقاد قرار گرفته است.زیرا که عوامل بسیاری به‌صورت مستقیم یا غیرمستقیم بازار سهام را تحت تأثیر قرار می‌دهند و حرکات قیمت‌های دارایی را خیلی نامطمئن و غیرقابل‌پیش‌بینی می‌سازد. لذا هدف از انجام این تحقیق بررسی انتخاب سبد سهام از شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از تئوری دمپستر شفر بوده است. این تحقیق به روش توصیفی- همبستگی انجام‌شده و از نوع تحقیقات کاربردی است. جامعه آماری تحقیق را کلیه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 138۹ تا 139۴ تشکیل می‌دهند که تعداد ۱۰۸ شرکت به‌عنوان نمونه موردمطالعه قرارگرفته‌اند. داده‌های تحقیق از صورت‌های مالی شرکت‌ها استخراج گردیده و با استفاده از مدل‌های رگرسیونی به روش داده‌های ترکیبی مورد تجزیه‌وتحلیل قرار گرفت. یافته‌های حاصل از آزمون فرضیه نشان داد که متغیرهای سود هر سهم (EPS)، نسبت درآمد به قیمت(P/E)، نسبت پرداخت (PR)، نسبت قیمت به فروش (P/S)، بدهی‌های بلندمدت به حقوق صاحبان سهام (LTDER)، نسبت قیمت به جریان نقدی (P/CF) و حاشیه سود (PM) در مدل تئوری دمپستر شفر معنادار بوده‌اند.

چکیده انگلیسی:

Markowitz’s return–risk model for stock portfolio selection it is criticized. Many factors directly or indirectly influence stock markets and make movements of asset prices very uncertain and unpredictable.The purpose of this study was to investigate the selection of stock portfolios from companies admitted to Tehran Stock Exchange using the theory of Damsper-Schaffer. This research is descriptive-correlative method and is of applied research type. The statistical population of the study consisted of all companies listed on the Tehran Stock Exchange between 2010 and 2015, which has been studied and studied by 108 companies throughout the period of research in the stock exchange. The research data were extracted from financial statements of companies and analyzed using regression models using combination data. The findings of the research showed that the results of the hypothesis test showed that the EPS variables, income / price ratio (P / E), ratio of payment (PR), price to sales ratio (P / S), debt Long-term equity traders (LTDER), price / cash flow ratios (P / CF), and margin squeeze (PM) in the Demerster-Schaeffer theory model

منابع و مأخذ:

*      پاشا، عین اله ،مصطفایی ،حمیدرضا، خلج ، مهران ، خلج، فرشته (۱۳۹۲) ،محاسبه فاصله عدم قطعیت بر پایه آنتروپی شانون و تئوری دمپستر شافر از شواهد محاسبه فاصله عدم قطعیت بر پایه آنتروپی شانون و تئوری دمپسترشافر از شواهد، نشریه بین‌المللی مهندسی صنایع و مدیریت تولید، شماره۲ ، جلــد 2۴ ،صفحـــه ۲۲۳-2۱۶.

*      حیدری، حسن، ملا بهرامی، احمد(1389)، بهینه‌سازی سبد سرمایه‌گذاری سهام بر اساس مدل‌های چند متغیره شواهدی از بورس اوراق  بهادار تهران GARCH،تحقیقات مالی دانشکده مدیریت دانشگاه تهران دوره12،شماره 3،پاییز و زمستان 1389 ص 56-35.

*    غضنفری، م. و کاظمی، ز. (1382) . اصول و مبانی سیستم‌های خبره: با فصولی درباره شبکه‌های عصبی مصنوعی، تئوری مجموعه‌های فازی. دانشگاه علوم و صنعت ایران،  صفحه 684.

*      شاه علیزاده، محمد.، و معماریانی، عزیز الله(1382) چارچوب ریاضی گزینش سبد سهام با اهداف چندگانه بررسی‌های حسابداری و حسابرسی دانشکده مدیریت دانشگاه تهران ، 86

*      مرادی، حمیدرضا و همکاران (1389)،تحلیل خطر زمین‌لغزش در استان گلستان با استفاده از تئوری دمپستر شفر ،پژوهش‌های دانش زمین ،سال اول،شماره 3،پاییز 1389،ص14-1.

*      محمدی، م. مرادی، ح. و پور قاسمی، ح. (1391) . آنالیز حساسیت زمین‌لغزش با استفاده از تئوری احتمالاتی دمپستر_ شیفر در محیطGIS. دومین همایش و نمایشگاه بین‌المللی تهیه نقشه و اطلاعات مکانی (2012ICMSI) و نوزدهمین همایش ملی ژئوماتیک.

*      نبوی چاشمی ،سید علی،داداش پور عمرانی،احمد (1391)، انتخاب سبد سهام چندهدفه تحت محدودیت احتمالی در بستر بازار سرمایه ایران، مجله مهندسی مالی و مدیریت اوراق بهادار شماره سیزدهم ،زمستان 91

*      Abdollahzadeh, F. (2002). Investment management and Tehran Stock Exchange. Tehran, Iran: Pardazeshgaran press.

*      Adebiyi, A., Ayo, C., Adebiyi, M.O., Otokiti, S.,( 2012). Stock price prediction using neural network with hybridized market indicators. J. Emerg. Trends Comput. Inf. Sci. 3 (1), 1–9.

*      Bermudez, J.D., Segura, J.V., Vercher, E., (2007). A fuzzy ranking strategy for portfolio selection applied to the spanish stock market.In: Fuzzy Systems Conference, 2007.FUZZ-IEEE 2007, pp. 1–4.

*      Bhattacharyya, R., Kar, S., (2011). Multi-objective fuzzy optimization for portfolio selection: an embedding theorem approach. Turk. J.Fuzzy Syst. 2 (1), 14–35

*      Bhattacharyya, R., Kar, M.B., Kar, S., Majumder, D.D., (2009). Meanentropy-skewness fuzzy portfolio selection by credibility theory approach. In: Pattern Recognition and Machine Intelligence. Springer, pp. 603–608

*      Bhattacharyya, R., Kar, S., Majumder, D.D., (2011). Fuzzy mean–variance–skewness portfolio selection models by interval analysis.Comput. Math. Appl. 61 (1), 126–137

*      Bhattacharyya, R., Hossain, S.A., Kar, S., (2014). Fuzzy cross-entropy,mean, variance, skewness models for portfolio selection. J. King Saud Univ.-Comput. Inf. Sci. 26 (1), 79–87

*      Bilbao-Terol, A., Pe´r-Gladish, B.M., Arenas-Parra, Rodrı´guez-Uria,M.V., (2006). Fuzzy compromise programming for portfolio selection.Appl. Math. Comput. 173, 251–264

*      Chen, J.-S., Lin, Y.-T., (2009). A partitioned portfolio insurance strategy by a relational genetic algorithm. Expert Syst. Appl. 36(2), 2727–2734

*      Chen, J.-S., Hou, J.-L., Wu, S.-M., Chang-Chien, Y.-W., (2009).Constructing investment strategy portfolios by combination genetic algorithms. Expert Syst. Appl. 36 (2), 3824–3828.

*      Chen, Y., Mabu, S., Hirasawa, K., (2010). A model of portfolio optimization using time adapting genetic network programming.Comput. Oper. Res. 37 (10), 1697–1707

*      Edirisinghe, NCP & X Zhang, (2008), Portfolio selection under DEA-based relative financial strength indicators: case of US industries, Journal of the Operational Research Society, 57.

*      Edwards, R.D., Magee, J., Bassetti, W., (2007). Technical Analysis of Stock Trends. CRC Press

*      Fasanghari, M., Montazer, G.A., (2010). Design and implementation of fuzzy expert system for Tehran stock exchange portfolio recommendation. Expert Syst. Appl. 37 (9), 6138–6147

*      Ferna´ ndez, A., Go´ mez, S., (2007). Portfolio selection using neural networks. Comput. Oper. Res. 34 (4), 1177–1191.

*      Ferson, S., Nelsen, R. B., Hajagos, J., Berleant, D., Zhang, J., Tucker, T., Ginzburg, L. R., and Oberkampf, W. L. )2004(.Dependence in probabilistic modeling, Dempster-Shafer theory and probability bounds analysis. New Mexico.

*      Gour Sundar Mitra Thakur et all (2016). Stock portfolio selection using Dempster–Shafer evidence theory. Journal of King Saud University – Computer and Information Sciences

*      Grossman, S.J., Stiglitz, J.E., (1980). On the impossibility of informationally efficient markets. Am. Econ. Rev. 70 (3), 393–408

*      Hong-dong, L., Jing, Z., Lin, X., Hai-ping, L., Yi, F., 2008. Application of DS evidence theory in combined price forecasting. In: Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, 2008. DRPT 2008. IEEE, pp. 1025–1029.

*      Huang, X., (2008). Risk curve and fuzzy portfolio selection. Comput.Math. Appl. 55 (6), 1102–1112

*      Huynh, V. N. (2009). Discounting and combination scheme in evidence theory for dealing with conflict in information fusion. In Modeling Decisions for ArtificialIntelligence (pp.217-230): Springer Berlin Heidelberg

*      Jiao, J.R., Zhang, Y., Wang, Y., (2007). A heuristic genetic algorithm for product portfolio planning. Comput. Oper. Res. 34 (6), 1777–1799

*      Ko, P.C., Lin, P.C., (2008). Resource allocation neural network in portfolio selection. Expert Syst. Appl. 35 (1), 330–337

*      Markowits, H (1952), “ portfolio Selection”, The Journal of Finance, Vol. 7, No. 1, pp. 77-91.

*      Maseleno, A., Hasan, M.M., 2012. Skin diseases expert system using  Dempster–Shafer theory. International Journal of Intelligent Systems and Applications 4 (5), 38

*      Olatunji, S.O., Al-Ahmadi, M.S., Elshafei, M., Fallatah, Y.A., (2011).Saudi Arabia stock prices forecasting using artificial neural networks. In: 2011 Fourth International Conference on the Applications of Digital Information and Web Technologies (ICADIWT). IEEE, pp. 81–86

*      Sharp, Alexander., bailey., (1993), “Fundamentals of Investments”, Third Edition, Fabozzi, Investment Management., PP.139-151, 835-84

*      Siskos, Y., Spyridakos, A., Yannacopoulos, D., (1993). Minora: a multicriteria decision aiding system for discrete alternatives. J. Inf.Sci. Technol. 2 (2), 136–149.

*      Tiryaki, F., Ahlatcioglu, M., (2005). Fuzzy stock selection using a new fuzzy ranking and weighting algorithm. Appl. Math. Comput. 170,144–157

 

*      Woodside-Oriakhi, M. (2011). Portfolio Optimisation with Transaction Cost(thesis), London, School of Information Systems, Computing and Mathematics Brunel University.

 

*      Xidonas, P., Ergazakis, E., Ergazakis, K., Metaxiotis, K., Askounis, D., Mavrotas, G., Psarras, J., (2009). On the selection of equity securities: an expert systems methodology and an application on the athens stock exchange. Expert Syst. Appl. 36, 11966–11980.

*      Xidonas, P., Mavrotas, G., Zopounidis, C., Psarras, J., (2011). Ipssis: an integrated multicriteria decision support system for equity portfolio construction and selection. Eur. J. Oper. Res. 210 (2), 398–409.

*      Yunusoglu, M.G., Selim, H., (2013) A fuzzy rule based expert system for stock evaluation and portfolio construction: an application to Istanbul stock exchange. Expert Syst. Appl. 40 (3), 908–920

*      Zhang, C., Zhu, W., Yang, S., 2007. Banking operational risk management on DS evidence theory. In: International Conference on Wireless Communications, Networking and Mobile Computing, 2007. WiCom 2007. IEEE, pp. 4640–4644