فهرس المقالات Mean-variance

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - رتبه بندی سبد سهام با استفاده از مجموعه تکنولوژی مالی در مدل های DEA (مطالعه موردی: بورس اوراق بهادار تهران )
  عالیه داوطلب راضیه مهرجو
  چکیده از مهمترین دغدغه های سرمایه گذاران در بازارهای مالی، انتخاب سهم یا سبد سهامی است که از لحاظ سودآوری بهینه باشد. به همین منظور رو ش های زیادی در رابطه با انتخاب سبد سهام معرفی شده اند. انتخاب سبد بهینه سهام از اهداف مدیریت پرتفوی است، که در این تحقیق جهت انتخاب سبد أکثر

  چکیده از مهمترین دغدغه های سرمایه گذاران در بازارهای مالی، انتخاب سهم یا سبد سهامی است که از لحاظ سودآوری بهینه باشد. به همین منظور رو ش های زیادی در رابطه با انتخاب سبد سهام معرفی شده اند. انتخاب سبد بهینه سهام از اهداف مدیریت پرتفوی است، که در این تحقیق جهت انتخاب سبد بهینه سهام از تکنیک تحلیل پوششی داده ها (DEA) به عنوان شیوه ای نوین و قابل اتکا بدین منظور استفاده شده است. در این تحقیق، ریسک‌ سفارش‌های مختلف، میانگین بازده، واریانس بازده‌ها، گشتاور مرتبه بالاتر به عنوان متغیرهای خروجی در نظر گرفته شده است. همچنین امکان در نظر گرفتن اولویت‌ها برای افزایش‌ در ریسک‌ را که در مطالعات کاربردی با DEA نادیده گرفته شده اما در نظریه‌ی اقتصادی مورد بحث قرار گرفته‌اند، فراهم خواهد شد. در نهایت در این تحقیق تعداد 278 شرکت در قالب 50 سبد سهام در دوره 5 ساله مورد ارزیابی قرار گرفت که با 3 مدل به ارزیابی آن ها پرداخته می شود که این مدل ها یکی بر روی بازده بیشتر، یکی بر روی ریسک کمتر و دیگری به روش ترکیبی از این دو یعنی بازده بیشتر و ریسک کمتر تاکید داشته اند. همچنین سبد شماره 6 با توجه به مدل های اول و دوم و سبد شماره 8 با توجه به مدل سوم دارای بهترین رتبه شدند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - بهینه‏سازی سبد سهام بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز مبتنی بر یادگیری ماشین جمعی دو سطحی
  ساناز فریدی مهدی معدن چی زاج امیر دانشور شادی شاهوردیانی فریدون رهنمای رودپشتی
  10.30495/jfksa.2022.21083
  در این مقاله به بهینه سازی سبد سهام شرکت های فعال پذیرفته شده در اوراق بهادار بورس تهران بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز (MVOF) پرداخته شده است. برای این امر 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1390 تا 1399 انتخاب و بر ا أکثر

  در این مقاله به بهینه سازی سبد سهام شرکت های فعال پذیرفته شده در اوراق بهادار بورس تهران بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز (MVOF) پرداخته شده است. برای این امر 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1390 تا 1399 انتخاب و بر اساس داده های ورودی به فیلتر کردن شرکت ها پرداخته شد. از این رو یک روش ترکیبی متشکل از روش بهینه سازی قواعد معاملاتی مبتنی بر تحلیل تکنیکال (6 اندیکاتور RSI، ROC، SMA، EMA، WMA و MACD) و ماشین یادگیری جمعی دو سطحی (SVM، RF، BN، MLP و KNN) جهت آموزش داده ها و ارائه سیگنال خرید پرداخته شد. لذا 85 شرکت جهت بهینه سازی سبد سهام انتخاب شدند. برای آموزش داده های از 85 شرکت فیلتر شده توسط روش ترکیبی استفاده و تعداد طبقات مختلف با 50 یادگیرنده استفاده شده است. نتایج نشان میدهد استفاده از مدل OF نسبت به مدل MVF بالاترین بازده سبد سهام را در طی سال های 1395 تا 1399 دارد. در حالی که مدل MVF پایین ترین میزان ریسک سرمایه گذاری را به خود اختصاص داده است. در نتیجه با ترکیب مدل های فوق، مشاهده شده بازده سبد سهام در این روش بسیار بالاتر از روش های دیگر است. در حالی که ریسک سرمایه گذاری ان کمتر بوده است. لذا در صورت استفاده از مدل MVOF بازدهی سبد سهام افزایش و ریسک سرمایه گذاری در آن کاهش می یابد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - آزمون میانگین-واریانس بر اساس چهارچوب نظری ریسک نامطلوب (downside risk) با استفاده از مدل خود رگرسیون برداری(VAR)
  فریدون رهنمای رودپشتی مهدی همتی آسیا برگی لاله شعبانی برزگر فاطمه خاکساریان
  واریانس و ریسک نامطلوب ، معیارهای متفاوتی از اندازه گیری ریسک در مدیریت پرتفوی می باشند. هدف از انجام این تحقیق آزمون میانگین واریانس بر اساس چارچوب نظری ریسک نامطلوب (downside risk) با استفاده از مدل خود رگرسیون برداری(VAR) می باشد. بازه زمانی در این تحقیق سال های 1384 أکثر

  واریانس و ریسک نامطلوب ، معیارهای متفاوتی از اندازه گیری ریسک در مدیریت پرتفوی می باشند. هدف از انجام این تحقیق آزمون میانگین واریانس بر اساس چارچوب نظری ریسک نامطلوب (downside risk) با استفاده از مدل خود رگرسیون برداری(VAR) می باشد. بازه زمانی در این تحقیق سال های 1384 الی 1393 می باشد. قلمرو مکانی این تحقیق بورس اوراق بهادار تهران بوده و روش آماری مورد استفاده در این تحقیق مدل خود رگرسیون برداری(VAR) می باشد. نتایج بدست آمده از این تحقیق نشان می دهد چارچوب ریسک نامطلوب از چارچوب میانگین-واریانس مارکوئیتز بهتر عمل می کند. به علاوه، این تفاوت زمانی که بازده دارایی چولگی بیشتری دارد، عمیق تر است و نتایج استفاده از ریسک نامطلوب را به جای واریانس، به عنوان یک معیار اندازه گیری ریسک برای تصمیمات سرمایه گذاری، پیشنهاد می کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - The Tail Mean-Variance Model and Extended Efficient Frontier
  Esmat Jamshidi Eini Hamid Khaloozadeh
  10.22034/amfa.2020.1892182.1365
  In portfolio theory, it is well-known that the distributions of stock returns often have non-Gaussian characteristics. Therefore, we need non-symmetric distributions for modeling and accurate analysis of actuarial data. For this purpose and optimal portfolio selection, أکثر

  In portfolio theory, it is well-known that the distributions of stock returns often have non-Gaussian characteristics. Therefore, we need non-symmetric distributions for modeling and accurate analysis of actuarial data. For this purpose and optimal portfolio selection, we use the Tail Mean-Variance (TMV) model, which focuses on the rare risks but high losses and usually happens in the tail of return distribution. The proposed TMV model is based on two risk measures the Tail Condition Expectation (TCE) and Tail Variance (TV) under Generalized Skew-Elliptical (GSE) distribution. We first apply a convex optimization approach and obtain an explicit and easy solution for the TMV optimization problem, and then derive the TMV efficient frontier. Finally, we provide a practical example of implementing a TMV optimal portfolio selection in the Tehran Stock Exchange and show TCE-TV efficient frontier. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - Multi-objective possibility model for selecting the optimal stock portfolio
  Abdolmajid Abdolbaghi Ataabadi Alireza Nazemi Masoumeh Saki
  10.22034/amfa.2022.1952682.1705
  In this paper, we use fuzzy numbers and possibility theory to model possibility. The purpose of this work is to determine the optimal investment model based on the neural network method for fuzzy LR, trapezoidal and triangular numbers in an optimal portfolio. It is list أکثر

  In this paper, we use fuzzy numbers and possibility theory to model possibility. The purpose of this work is to determine the optimal investment model based on the neural network method for fuzzy LR, trapezoidal and triangular numbers in an optimal portfolio. It is listed on the Tehran Stock Exchange to maximize "returns" and reduce "risk" to find the optimal portfolio. Therefore, to achieve this goal, the problem of multi-objective nonlinear programming is addressed. Also, by substituting the mean-variance model and the standard mean deviation instead of the Markowitz mean-variance model, the selection of the optimal portfolio in the possible space is examined. Finally, after calculating the model of the possibility of fuzzy numbers, we reach the optimal stock portfolio, which can be used to set the stock portfolio that has the highest returns and the lowest risk. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - Visualized Portfolio Optimization of stock market: Case of TSE
  Fatemeh Lakzaie Alireza Bahiraie saeed mohammadian
  An investment portfolio is a collection of financial assets consisting of investment tools such as stocks, bonds, and bank deposits, among others, which are held by a person or a group of persons. In this research, we use the Markowitz model to optimize the stock portfo أکثر

  An investment portfolio is a collection of financial assets consisting of investment tools such as stocks, bonds, and bank deposits, among others, which are held by a person or a group of persons. In this research, we use the Markowitz model to optimize the stock portfolio and identify the minimum spanning tree (MST) structure in the portfolio consisting of 50 stocks traded in the TSE. The observable which is used to detect the minimum spanning tree (MST) of the stocks of a given portfolio is the synchronous correlation coefficient of the daily difference of logarithm of closure price of stocks. The correlation coefficient is calculated between all the possible pairs of stocks present in the portfolio in a given time course. The goal of the present study is to obtain the taxonomy of a portfolio of stocks traded in the TSE by using the information of time series of stock prices only. In this research, report results obtained by investigating the portfolio of the stocks used to compute 50 stocks of the Iran Stock Exchange in the time period from January 2012 to October 2022. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - Portfolio Optimization and the Momentum- Contrarian Strategy (MCS)- Based Performance: Evidence from Tehran Stock Exchange
  Homayun Soltanzadeh Reza Keykhaei Abdolmajid Abdolbaghi Ataabadi Mohammad Hosein Arman
  10.30495/jsm.2022.1966975.1685
  This study was conducted to determine the stock portfolio with the best return and low-risk investments using momentum-contrarian strategies (MCSs). The momentum-Contrarian strategy is one of the well-known models to construct the portfolio which suggests buying the sto أکثر

  This study was conducted to determine the stock portfolio with the best return and low-risk investments using momentum-contrarian strategies (MCSs). The momentum-Contrarian strategy is one of the well-known models to construct the portfolio which suggests buying the stocks with the best performance (the winner stocks) and selling the stocks with the worst performance (the loser stocks). The optimal values of the portfolio's objective function and the weight of all assets in the portfolio that are not necessarily the same are calculated by defining a nonlinear multivariate optimization model combined with momentum-contrarian strategies (MCSs). The return information of companies listed on the Tehran Stock Exchange from 2014 to 2019 was used to select the best optimal portfolio. The results confirmed the stability in the profitability of the contrarian optimal portfolio with minimum risk compared to other optimal portfolios. Furthermore, through MATLAB software the optimal weight of assets in the optimal portfolio is calculated based on statistical data. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - Portfolio optimization based on return prediction using multiple parallel input CNN-LSTM
  Hatef Kiabakht Mahdi Ashrafzadeh
  The success of any investment portfolio always depends on the future behavior and price events of assets. Therefore, the better one can predict the future of an asset, the more profitable decisions can be made. Today, with the expansion of machine learning models and th أکثر

  The success of any investment portfolio always depends on the future behavior and price events of assets. Therefore, the better one can predict the future of an asset, the more profitable decisions can be made. Today, with the expansion of machine learning models and their advanced sub-branch i.e. deep learning, it is possible to better predict the future of assets and make decisions based on those predictions. In this article, a deep learning method called CNN-LSTM with multiple parallel inputs is introduced and is shown that it is able to provide a more accurate prediction of asset returns for the next period than other machine learning and deep learning models. Then, these forecasts will be used in two stages to build the portfolio. First, the assets that have the highest predicted return are selected, and then in the second step, Markowitz's mean-variance model will be used to obtain the optimal ratio of the selected assets for trading in the next period. The model test is performed on the assets randomly selected from different New York Stock Exchange industries based on the 11 Global Industry Classification Standard (GICS) Stock Market Sectors. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - Portfolio Optimization by Using Big Bang-Big Crunch Algorithm
  علیرضا علی نژاد
  Investment plays a vital role on economic growth. One of the main objectives of all countries is to achieve sustainable economic growth and development. Nowadays, a considerable amount of activities performed by the managers and investors in general is to make a portfol أکثر

  Investment plays a vital role on economic growth. One of the main objectives of all countries is to achieve sustainable economic growth and development. Nowadays, a considerable amount of activities performed by the managers and investors in general is to make a portfolio of assets effectively meeting demand goals. In this study, mean-variance Markowitz model by cardinality constraints and also a new innovative approach called Big Bang-Big Crunch algorithm are used to create a portfolio of assets. The algorithm proposed in this study compares with other algorithms such as simulated annealing, genetic, etc. by using datasets taken from the stock exchange indices in Hong Kong, Iran and Japan, the results indicate that the algorithm is competitive to solve the portfolio optimization problem efficiently. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - بهینه‌سازی سبد سهام صنایع مختلف در بورس اوراق بهادار تهران با استفاده از گارچ متعامد
  سحر عابدینی اسمعیل ابونوری غلامرضا کشاورزحداد
  10.30495/fed.2024.709335
  چکیده توسعه بازارهای مالی و بازار سهام نقش اساسی در توسعه اقتصادی دارد. با توجه به اینکه بازارهای مالی همواره با ریسک و نااطمینانی همراه می باشند و شوک و تلاطم در یک بازار بر بازارهای دیگر اثر می گذارد لذا از اهداف اصلی تحقیق حاضر شناسایی نوع توزیع سری های مالی (بازدهی أکثر

  چکیده توسعه بازارهای مالی و بازار سهام نقش اساسی در توسعه اقتصادی دارد. با توجه به اینکه بازارهای مالی همواره با ریسک و نااطمینانی همراه می باشند و شوک و تلاطم در یک بازار بر بازارهای دیگر اثر می گذارد لذا از اهداف اصلی تحقیق حاضر شناسایی نوع توزیع سری های مالی (بازدهی سهام صنایع مختلف) و برآورد نااطمینانی و ریسک (تلاطم) آنها، تعیین وزن سهام در سبد سرمایه گذاری و همچنین شناسایی دقیق چگونگی تغییرات تلاطم و شدت همبستگی و تعاملات میان سهام صنایع مختلف طی زمان جهت حداکثرسازی منافع سرمایه گذاران و ارائه راهکارهای لازم به برنامه ریزان و سیاست گذاران برای مدیریت و توسعه بازار سهام می باشد. به منظور بهینه سازی سبد سرمایه گذاری، از آمار دادههای هفتگی شاخص قیمت 6 صنعت منتخب (انبوهسازی، بانکها و مؤسسات اعتباری، شیمیایی، خودرو، دارویی و فلزات اساسی) در بازه زمانی 07/01/1389 تا 29/10/1399 استفاده شده است. بدین منظور با استفاده از مدل گارچ متعامد و داده های هفتگی شاخص قیمت سهام صنایع مختلف، عناصر ماتریس واریانس– کواریانس شرطی بازدهی سهام (تلاطم) برآورد گردید، سپس اوزان بهینه سبد سهام با استفاده از اطلاعات بدست آمده و توزیع جنرال هیپربولیک t چوله (بعنوان نزدیکترین توزیع به توزیع بازدهی سهام مورد مطالعه بر اساس نتایج برآورد توزیع داده ها)، در چارچوب مدل های میانگین–واریانس کلاسیک ایستا و پویا و همچنین مدل میانگین–ارزش در معرض خطر شرطی ایستا، محاسبه و با هم مقایسه شد. بر اساس مدل میانگین-واریانس کلاسیک پویا (بعنوان مناسب ترین مدل)، بیشترین وزن در سبد سهام در دوره مورد مطالعه بترتیب مربوط به صنعت دارویی (0/6336) و صنعت شیمیایی (0/3539) بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - توسعه سیستم‌های معاملاتی سبد سهام با استفاده از روش‌های یادگیری ماشین
  علی حیدریان محدثه مرادی مهر علی فرهادیان
  تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که م أکثر

  تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که مدل‌های یادگیری ماشین برتری قابل‌توجهی نسبت به مدل‌های آماری نشان داده‌اند، در این پژوهش، یک رویکرد جدید تشکیل سبد سهام در دو مرحله ارائه‌شده است. مرحله اول با پیاده‌سازی شبکه عصبی پیچشی، سهام مناسب برای خرید انتخاب‌شده و در مرحله دوم با استفاده از مدل میانگین-واریانس (MV)، وزن بهینه در سبد سرمایه‌گذاری برای آنها تعیین می‌شود. به‌طور خاص، مراحل انتخاب سهام مناسب و تشکیل سبد سهام دو مرحله اصلی مدل توسعه داده‌شده در این پژوهش است. مرحله اول، یک مدل شبکه عصبی پیچشی برای پیش‌بینی نقاط خرید و فروش سهام برای دوره بعدی پیشنهادشده است. مرحله دوم، سهامی که برچسب خرید می‌گیرند به‌عنوان سهام با مناسب برای خرید انتخاب‌شده و از مدل MV برای تعیین وزن بهینه آن‌ها در سبد سهام استفاده می‌شود. نتایج به‌دست‌آمده با استفاده از 5 سهم از بازار بهادار تهران به‌عنوان نمونه مطالعه نشان می‌دهد که بازده و نسبت شارپ روش پیشنهادی از روش‌های سنتی (بدون فیلتر کردن سهام مناسب) به‌طور قابل‌توجهی بهتر است. تفاصيل المقالة