عدم قطعیت ویژگی‌ بدیهی فعالیت در دنیای واقعی است و تحلیل کارایی واحدها در شرایط عدم قطعیت یکی از مهمترین دغدغه‌های مدیران و برنامه ریزان شرکتها می‌باشد. تاکنون رویکردهای مختلفی برای تحلیل پوششی داده‌ها ابزار خوبی برای ارزیابی کارای واحدها در شرایط عدم قطعیت ارائه شده است از جمله رویکردهای تصادفی، فازی و استوار. در شرایطی که تابع توزیع احتمال متغیرهای تصادفی مشخص باشند، رویکرد تصادفی راه حل دقیقی برای حل مساله میباشد. با این وصف تحقیقات قبلی در این زمینه متمرکز بر تبدیل مساله تصادفی به مساله قطعی بوده‌اند. در این تحقیق روشی برای مدل سازی تحلیل پوششی داده‌ها با استفاده از برنامه نویسی کامپیوتری ارائه می‌شود. در این روش فرایندهای تصادفی شبیه سازی می‌شوند و در نهایت بجای ارائه عدد قطعی به عنوان کارایی واحدها، تابع توزیع کارایی ارائه می‌شود. در این مدل مفهوم جدیدی به عنوان احتمال کارایی ارائه میشود که نماینده احتمال قرار گرفتن واحد کاری در مرز کارا می‌باشد. روش ارائه شده به صورت تجربی در یک مورد واقعی انتخاب پروژه‌های تحقیق و توسعه به کار برده شده است. Manuscript profile

عدم قطعیت یکی از موارد غیر قابل اجتناب در دنیای واقعی به خصوص در بازارهای مالی می­باشد. در نظر گرفتن عدم قطعیت و چگونگی برخورد با آن در هنگام ارزیابی عملکرد با استفاده از تحلیل پوششی داده­ ها، امری بسیار ضروری است. در این مقاله به ارایه سه مدل استوار تحلیل پوششی داده­ها و کاربرد آن­ها به منظور ارزیابی عملکرد در بورس اوراق بهادار تهران پرداخته می­شود. براساس نتایج، میزان کارایی سهام و تعداد سهام کارا با افزایش میزان عدم قطعیت در هر سه مدل کاهش می­یابد.   Manuscript profile

در فرایند ارزیابی عملکرد با استفاده از مدل های کلاسیک تحلیل پوششی داده ها، واحد های تصمیم گیرنده به صورت جعبه سیاه در نظر گرفته می شوند. حال آنکه در بسیاری موارد و کاربرد های مختلف هم چون صندوق های سرمایه گذاری، بانک ها، شرکت های بیمه و غیره، واحد ها دارای ساختار شبکه ای می باشند. علاوه بر این، در بسیاری از ساختار های شبکه ای، برخی از شاخص های مورد استفاده به منظور محاسبه کارایی واحد ها، دارای ماهیت نامطلوب می باشند. از این رو ارائه رویکردی توانمند که ساختار درونی واحد ها و روابط درون سازمانی را در محاسبه کارایی لحاظ نماید و هم چنین قابلیت به کار گیری در حضور داده های نامطلوب را نیز دارا باشد، امری ضروری است. لذا هدف از پژوهش پیش رو، ارائه مدل تحلیل پوششی داده های شبکه ای به منظور ارزیابی عملکرد واحد های تصمیم گیرنده با ساختار دو مرحله ای در حضور خروجی های نامطلوب می باشد. لازم به ذکر است که با توجه به ساختار دو مرحله ای حاکم بر شرکت های سرمایه گذاری و حضور خروجی نامطلوب در فرآیند ارزیابی آنها، ده شرکت سرمایه گذاری فعال در بورس اوراق بهادار تهران به عنوان مطالعه موردی پژوهش انتخاب شده اند و نتایج حاصله از ارزیابی عملکرد آنها با استفاده از رویکرد پیشنهادی تحقیق نیز مورد تجزیه و تحلیل قرار گرفته اند. Manuscript profile

The main goal of this paper is to propose a new approach for efficiency measurement and ranking of stocks. Data envelopment analysis (DEA) is one of the popular and applicable techniques that can be used to reach this goal. However, there are always concerns about negative data and uncertainty in financial markets. Since the classical DEA models cannot deal with negative and imprecise values, in this paper, possibilistic range directional measure (PRDM) model is proposed to measure the efficiencies of stocks in the presence of negative data and uncertainty with input/output parameters. Using the data from insurance industry, this model is also implemented for a real case study of Tehran stock exchange (TSE) in order to analyse the performance of the proposed method. Manuscript profile

پیش‌‌بینی همواره به عنوان یکی از مباحث مهم بازارهای مالی شناخته می شود و به عنوان عامل منحصربفردی محسوب می‎گردد که ارزش‎های ناشناخته‎ آتی را مورد برآورد قرار می‎دهد؛ هدف این پژوهش شناسایی و پیش‌بینی شرایط بورس اوراق بهادار تهران و عوامل اثرگذار بر آن با تاکید بر همبستگی رونق بازار سرمایه با ارزش در معرض ریسک بود. بدین منظوردر این پژوهش در گام نخست سری زمانی شاخص ارزش در معرض ریسک در بازار سرمایه (بورس اوراق بهادار تهران) بر اساس داده‌های روزانه و روش گارچ مرتبه اول طی بهار 1389 تا خرداد 1402 برآورد شده است. سپس با استفاده از رویکرد رگرسیون پروبیت عوامل اثرگذار بر رونق در بورس اوراق بهادار تهران بر اساس داده‌های فصلی طی بهار 1389 تا خرداد 1402 مورد ارزیابی قرار گرفتند. سپس میانگین شاخص ارزش در معرض ریسک به صورت فصلی محاسبه شده است و ارتباط بین احتمال رونق در بازار سرمایه با شاخص ارزش در معرض ریسک با استفاده از ضریب همبستگی مورد بررسی قرار گرفت. نتایج این پژوهش نشان داد احتمال رونق در بازار سرمایه ایران با نرخ سود بانکی، رشد نقدینگی و وقوع تحریم رابطه منفی و معنادار و با نرخ تورم و رشد نرخ ارز رابطه مثبت و معناداری دارد. همچنین بر اساس تحلیل همبستگی رونق در بازار سرمایه با ارزش در معرض ریسک سهام ارتباط مستقیمی دارد. شواهد پژوهش همچنین نشان داد با فرض ثبات شرایط موجود انتظار می‌رود در سه فصل آتی احتمال رونق در بازار سرمایه نسبت به وقوع رکود به مراتب بالاتر باشد. Manuscript profile

Investors are always interested to choose the portfolio with the highest return and lowest risk for optimal asset management. A multi-objective portfolio optimization problem with cardinality constraint that determines the number of assets in a portfolio is considered in this paper. Objectives are maximizing the expected value of wealth and minimizing value at risk and conditional value at risk. Due to the complexity of the problem, it is necessary to use meta-heuristic algorithms. We use multi-objective evolutionary algorithms (Multi-Objective Particle Swarm Optimization, Non-Dominated Sorting Genetic Algorithm-II) to overcome this problem. In this research, the liquidity constraint and the thresholds of investments are considered. We use experts’ opinions in a fuzzy method to deal with the uncertainties in the parameters and provide better and more quality decisions. Finally, an Iranian stock market case study is presented to examine the proposed model in various situations. The results indicate that examining uncertainties and other real-world assumptions provides more efficient and practical solutions. Manuscript profile

Portfolio construction and achieving the set of securities with the most desirability is one of the most critical problems in financial markets. Generally, there are two types of financial problems in literature, choosing the right stock portfolio from a set of possible options which is called portfolio selection, and calculating the portion of the purchase for each option which is called Portfolio optimization. In this paper, a new two-phase robust portfolio selection and optimization approach is proposed to deal with the uncertainty of the data. In the first phase of this approach, all candidate stocks’ efficiency is measured using a data envelopment analysis (DEA) method. Financial criteria for evaluation chosen from fundamental perspectives. Then in the second phase, by applying the Fuzzy Weighted Goal programming (FWGP) model with criteria related to modern portfolio theory (return and risk) as well as the mentioned criteria, the portion of investment in each qualified stock is determined and the optimal investment portfolio is formed. Finally, the proposed approach is implemented in a real case study of the Dow Jones Industrial Market (DJIA). The resulting portfolios for the proposed models are compared against each other as well as against the Dow Jones Industrial Average index. The results show that for the data used and factors investigated some of the constructed portfolios, with a much smaller number of constituents, could potentially outperform DJIA in terms of their performance. Manuscript profile

بازده و ریسک دو عامل مهم و اساسی برای تصمیم‌گیری در حوزه مالی می‌باشند. پژوهش حاضر جهت یافتن پرتفوی بهینه برای سرمایه‌گذاری از سهام بورسی انجام گرفته و یکی‌از روش‌هایی‌که در حال حاضر محبوبیت زیادی در بین تحلیل‌گران و پژوهش-گران این حوزه شکل گرفته، روش‌های مبتنی‌بر هوش مصنوعی و در پی آن روش‌هایی با هدف کاهش سنجه‌های ریسک می‌باشد. هدف پژوهش حاضر تشکیل پرتفوی با‌استفاده از روش‌های یادگیری ماشین، سنجه ریسک و ترکیب آن با نظریه فازی است، که بازده‌ای بهتر از بازده میانگین بازار داشته باشد. خروجی هر روش وارد الگوریتم جنگل تصادفی شده و پیش‌بینی به‌وسیله این الگوریتم صورت می‌گیرد و در مرحله آخر، خروجی پیش‌بینی‌ برای تشکیل سبد سرمایه وارد مدل بهینه‌سازی ارزش در معرض ریسک و ارزش در معرض ریسک شرطی با رویکرد نظریه فازی می‌شوند. اطلاعات سهم‌ها به‌صورت روزانه و بازه زمانی آن از ابتدای سال 1394 تا اواسط سال 1398 می‌باشد. در پایان هرکدام از این روش‌ها و مراحل با بازده واقعی بازار مقایسه گردید. بر اساس نتایج بدست آمده سنجه‌ریسک CVAR قابلیت بهتری را نسبت‌به سنجه ریسک VAR داشته است، هم‌چنین الگوریتم جنگل تصادفی در بین الگوریتم‌های یادگیری ماشین استفاده شده، نتایج بهتری را در انتخاب سبد سرمایه‌گذاری رقم زده‌ است. Manuscript profile

بهینه‌سازی و انتخاب سبد سرمایه‌گذاری یکی از مهم‌ترین مسائل دنیای مالی است، بدین جهت سرمایه‌گذاران در تلاش برای اتخاذ تصمیماتی با بیش‌ترین تطابق با دنیای واقعی هستند. اما از یک سو عدم قطعیت موجود در داده‌ها و پارامترها و از سوی دیگر تضاد موجود در اهداف سرمایه‌گذار، بر پیچیدگی مسئله بهینه‌سازی سبد سهام می‌افزاید. از جهت دیگر با توجه به فرض کارا بودن بازار سهام، باید ازمدل‌های چند دوره‌ای که برخلاف مدل‌های تک دوره‌ای، اجازه بازنگری سرمایه را در ابتدای هر دوره برای سرمایه‌گذار فراهم می‌کند؛ استفاده نمود. در این مقاله رویکرد جدیدی برای بهینه‌سازی سبد سرمایه‌گذاری چند دوره‌ای مبتنی بر اندازه عمومی فازی و استفاده از درخت سناریو به منظور مقابله با عدم قطعیت‌ها معرفی می‌گردد که علاوه بر درنظر گرفتن تمامی محدودیت‌های فوق، این امکان را فراهم نموده تا با تغییر پارامتری تحت عنوان خوش‌بینانه- بدبینانه، سرمایه‌گذار بتواند سلیقه خود را اعمال نموده و نیازی به مدل‌سازی در حالت اعتباری، الزام و امکان نیست. سپس به منظور تک هدفه نمودن، مدل ارائه شده با روش محدودیت اپسیلون حل می‌گردد. در پایان نیز با استفاده از داده‌های 17 شرکت از صنایع مختلف فعال در بازار بورس اوراق بهادار تهران در سال 1398 به بررسی اعتبار مدل وکارایی آن می‌پردازیم. Manuscript profile

یکی از بحث‌های اساسی برای سرمایه‌گذاران موضوع تشکیل پرتفوی بهینه سهام است. در مسئلة انتخاب سبد سرمایه گذاری، تصمیم گیرنده هم زمان با اهداف مختلف و گاه متعارض مانند نرخ بازده، نقدینگی، سود تقسیمی و ریسک مواجه است. در بهینه‌سازی پرتفوی، مسئله اصلی، انتخاب بهینه دارایی‌ها و اوراق بهاداری است که با مقدار مشخصی سرمایه می‌توان تهیه کرد، اما از یک‌سو، عدم قطعیت‌های مرتبط به هر سهم، و از سوی دیگر چند هدفه بودن مدل انتخاب سبد سهام بهینه، بر پیچیدگی مسئله می‌افزاید. در این مقاله بهینه‌سازی سبد سهام در حالت عدم قطعیت مورد مطالعه قرار گرفته است. رویکرد برنامه‌ریزی تصادفی برای تبدیل عدم قطعیت به حالت قطعیت و برنامه‌ریزی توافقی برای تک هدفه شدن، به‌صورت ترکیبی مورد استفاده قرار می‌گیرد. از اطلاعات مربوط به 20 شرکت‌ دارویی از بازار بورس تهران استفاده شده است و اعتبار مدل بررسی شده است. نتایج نشان می دهد که سبد سهام ارائه شده دارای کارایی بالایی است. Manuscript profile

هدف از پژوهش پیش رو، ارائه مدل تحلیل پوششی داده های پنجره ای فازی با هدف ارزیابی عملکرد مالی سهام در خلال دور ه های زمانی مختلف تحت عدم قطعیت داده ها می باشد. به عبارت دیگر در این تحقیق تلاش می شود تا یک رویکرد نوین ارزیابی عملکرد سهام با قابلیت پیاده سازی در حضور داده های پانل غیر قطعی ارائه گردد. زیرا بهره گیری از اطلاعات مربوط به چند دوره زمانی مختلف به جای یک دوره زمانی و هم چنین در نظر گرفتن عدم قطعیت موجود در داده ها، می توانند منجر به نتایج قابل اتکاتری در فرایند ارزیابی عملکرد سهام گردند. لازم به توضیح است که در مدل سازی و ارائه رویکرد مذکور، از روش های تحلیل پوششی داده ها، تحلیل پنجره ای و برنامه ریزی امکانی بهره گرفته شده است. در نهایت نیز به منظور آشنایی با چگونگی پیاده سازی رویکرد پیشنهادی پژوهش، مدل تحلیل پوششی داده های پنجره ای فازی بر روی پنج سهم از صنعت فرآورده های شیمیایی در بورس اوراق بهادار تهران برای چهار دوره زمانی از سال 1392 الی سال 1395 اجرا و نتایج مورد تجزیه و تحلیل قرار گرفته اند که حاکی از کارآمدی رویکرد مذکور می باشند. Manuscript profile

هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روش‌شناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیش‌بینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینه‌کردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنج‌ساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.یافته‌ها: در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج به‌دست‌آمده سنجه ریسک CVAR قابلیت و نتیجه بهتری را نسبت به سنجه ریسک VAR داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.اصالت / ارزش‌افزوده علمی: این پژوهش با یکپارچه‌سازی روش‌های یادگیری ماشین و سنجه‌های ریسک، به شکل یک نمونه سرمایه بهینه می‌شود. اضافه‌کردن سنجه‌های ریسک VaR و CVaR فرآیند تصمیم‌گیری در خصوص کاهش ریسک را تقویت می‌کند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشم‌انداز نوآورانه در تشکیل پرتفوی می‌بخشد. یافته‌ها، به سرمایه‌گذاران و پژوهشگران در جستجوی استراتژی‌های سرمایه‌گذاری بهتر، یافته‌های ارزشمندی ارائه می‌دهد. Manuscript profile