Managing a single portfolio is a basic assumption in the most of research. However, in reality, an advisor manages many accounts at the same time; therefore, there is a significant dependency among portfolios and correlation between decisions on one portfolio with the performance of others, so the results of multi portfolio is different with classic models (single portfolio management, that portfolios are optimized independently) due to market impact and the trade dependency of one account to the other accounts. We propose a structural model to optimize accounts simultaneously, considering interdependences, decision’s correlation and mutual behavioral effects of managed portfolios. Moreover, to compare and analyze both single portfolio and multi portfolio approaches, real data from Tehran Stock Exchange in 1398 are used and model is solved with GAMS. Results indicate that multi portfolio optimization excel other approach and consequence notable improvement on the perspective of customer and advisor. Also, for the validation of the proposed model, the selected stocks are considered in pairs to solve the model and the results show the proper performance of the model with different stocks, thus indicating the validity of the model. تفاصيل المقالة

چکیده هدف این مقاله ارزیابی و پیش‌بینی ریسک اعتباری شرکت‎های متقاضی تسهیلات از یک بانک تجاری در ایران است. بدین منظور، با استفاده از نمونه‌گیری تصادفی بین مقطعی، 75 درصد درون نمونه‌ای و 25 درصد برون نمونه‌ای و مدل تحلیل چندبعدی ترجیحات وضعیت نسبت‎های مالی و عملکرد آن‎ها نزد بانک طی سال‌های 1389–1393 مورد بررسی قرار گرفت. نتایج حاکی از کارایی روش استفاده شده جهت پیش‌بینی رفتار اعتباری مشتریان بانک می‎باشد. با توجه به مزیت‎های روش استفاده شده که شامل عدم وابستگی به سابقه عملکرد مالی شرکت‎ها و دقت پیش‌بینی این روش نسبت به روش‎های متداول می‎باشد، پیشنهاد می‎شود از این روش به عنوان ورودی تحقیقات مدیریت پرتفوی اعتباری بانک‎ها استفاده گردد. تفاصيل المقالة

با توجه به رایج شدن اعطای اعتبار بین‌ بانکی در قبال اخذ وثیقه در راستای شروع عملیات بازار باز (OMO) در ایران و ضرورت هرچه بیشتر مدیریت ریسک نقدینگی در بانک‌ها، در این تحقیق برای مدیریت ریسک نقدینگی در سامانه‌های پرداخت بین‌ بانکی، از جامعه آماری داده‌های روزانه سامانه‌های نوین پرداخت در صنعت بانکداری و نمونه آماری سری زمانی مجموع مانده‌های داده‌های روزانه سامانه‌های پرداخت یک بانک ایرانی از تاریخ 01/01/94 تا تاریخ 31/05/1398 استفاده‌شده است و مانایی سری زمانی با آزمون‌های دیکی فولر و فیلیپس پرون بررسی‌شده است. سپس با توجه به ساختار داده‌ها و اینکه سری زمانی مجموع مانده‌های سامانه‌های پرداخت نرمال نبودند از معیار GlueVaR که برای رفع نواقص دو معیار CVaR و VaR معرفی‌شده و ترکیب خطی از آن‌هاست، استفاده‌شده است. بر این اساس، جدول اشتهای ریسک نقدینگی با شش سناریو مختلف گزارش‌شده است تا بانک‌ها بر مبنای آن بتوانند سپری از دارایی‌های نقد شونده را متناسب با نگرش خود، ذخیره نمایند. نتایج نشان می‌دهد به‌کارگیری معیار GlueVaR برای مدیریت ریسک نقدینگی، به دلیل به‌کارگیری دو سطح اطمینان مختلف و دو معیار ارزش در معرض خطر و ریزش مورد انتظار، از انعطاف لازم برای نگرش‌های متفاوت در مقابله با ریسک نقدینگی برخوردار است. تفاصيل المقالة

یافتن راهکار‌هایی برای پیش‌بینی قیمت، تشکیل سبد سهام بهینه و دستیابی به سود بیشتر از اهداف اساسی فعالان بازار‌های مالی می‌باشد. هدف از این پژوهش پیش‌بینی قیمت دارایی‌های مالی نظیر چندین سهام بورس، طلا، سکه و تعدادی از ارزهای دیجیتال با استفاده از مدل شبکه عصبی LSTM و سپس تشکیل سبد سهام بهینه با محاسبه میزان بازده، ریسک و معیار شارپ است. داده‌های استفاده شده از آرشیو وب‌سایت بورس و اوراق بهادار تهران، وب‌سایت شبکه اطلاع‌رسانی طلا، سکه و ارز و همچنین وب‌سایت خرید و فروش ارزهای دیجیتال می‌باشد. سری زمانی قیمت دارایی‌های مورد بررسی طی سال‌های 2017 تا 2020 میلادی است. همچنین برای ساخت مدل و تحلیل داده‌ها از زبان برنامه‌نویسی پایتون و نرم‌افزار گفی استفاده نمودیم. در پایان مشخص گردید که مدل شبکه عصبی LSTM قادر به پیش‌بینی قیمت دارایی‌های مالی با میزان خطای بسیار کم در هر دارایی می‌باشد و با توجه به میزان معیار شارپ به‌دست آمده برای هر دارایی مالی و ماتریس همبستگی، سهام‌ وبانک و سهام خبهمن 1 و همچنین ارز‌های دیجیتال ترون، تتر و بیت‌کوین سهم بیشتری را در سبد سهام پیشنهادی به خود تخصیص می‌دهند. تفاصيل المقالة

در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شده‌است. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده‌‌ و بهینه‌سازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهام‌گرفته از پدیده‌های نوری (اپتیک) مبتنی بر ترکیب محدب انجام شده‌است. در مدل ارائه‌شده با هدف بیشینه‌سازی نسبت شارپ اصلاح‌شده، پارامترهای بهینه اندیکاتورهای تکنیکال با الگوریتم‌های اپتیک و ژنتیک به دست آمده‌است. در این پژوهش از داده‌های درون‌روزی قیمت سهام استفاده شده و هزینه‌های معاملاتی لحاظ شده‌است. نتایج این مدل با نتایج حاصل از به‌کار‌گیری پارامترهای استاندارد اندیکاتورها، نتایج حاصل از راهبرد خرید‌و‌نگه‌داری و نیز نتایج حاصل از به‌کار‌گیری الگوریتم ژنتیک برای بهینه‌سازی پارامتر اندیکاتورها، در هر دو حالت روزانه و درون‌روزی مقایسه شده و به دلیل کسب نسبت شارپ اصلاح‌شده بیشتر توسط مدل ارائه‌شده، در همه موارد برتری آن نشان داده‌شده‌است. همچنین در مقایسه نتایج در حالت‌های درون‌روزی و روزانه بر‌اساس معیار بازدهی پایان دوره بدون لحاظ هزینه‌های معاملاتی، در بیشتر موارد داده‌های درون‌روزی بازدهی بیشتری داشت لکن پس از لحاظ کردن هزینه‌های معاملاتی برتری در نتایج درون‌روزی مشاهده نمی‌شود. لذا کاهش هزینه معاملاتی برای افزایش انگیزه معامله‌گران در انجام معاملات درون‌روزی توصیه می‌شود. تفاصيل المقالة