تلفیق تصمیم گیری چند معیاره و بهینه سازی ریاضی، زمینه ای برای تصمیم گیری سرمایه ای
محورهای موضوعی : دانش سرمایه‌گذاری
علی سپهری
1
,
حسین جباری
2
,
حسن قدرتی قزاآنی
3
,
حسین پناهیان
4
1 - گروه مدیریت صنعتی- مالی، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران.
2 - گروه حسابداری، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
3 - گروه مدیریت، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران.
4 - گروه مدیریت، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران.
کلید واژه: "محدود سازی فضای موجه, تحلیل پوششی داده ها", تصمیم سازی سرمایه ای, کارآمدی مالی, سبد سهام,
چکیده مقاله :
پژوهش حاضر با هدف تلفیق رویکرد تصمیم گیری چند معیاره و بهینه سازی ریاضی در ارزیابی کارآیی مالی و پالایش عوامل موثر بر آن انجام رسیده و برای اولین بار با تکیه بر یک تحلیل کمّی بین تصمیم سازی و تصمیم گیری سرمایه ای تمایز قائل شده و در انتخاب گزینه سرمایه گذاری از تحلیل پوششی داده ها بهره گرفته شده است. نوع پژوهش از جهت هدف نظری-کاربردی و با طرح تحقیق پیمایشی- پس روی دادی به انجام رسیده است. با روش دیمیتل فازی، موثرترین عوامل کارآیی مالی را به ترتیب : 1) نسبت جاری، 2) نقدشوندگی دارایی، 3) نسبت مالکانه، 4) نرخ هزینه عملیاتی، 5) اندازه شرکت، 6) بازده عملیاتی دارایی ها، 7) بازده خالص دارایی ها، 8) بازده حقوق صاحبان سهام، 9) گردش دارایی جاری، 10) متوسط بازده ماهانه، 11) قیمت روز به سود هر سهم، 12) رشد درآمد، ارزیابی کرد. جامعه آماری تحقیق در پالایش نهاده ها و ستانده ها مشتمل بر اساتید و صاحب نظران و در تصمیم سازی و تصمیم گیری سرمایه ای انتخاب ترکیب بهینه سرمایه ای، 183 شرکت منتخب بورسی تهران بوده و ارزیابی کارآیی مالی منجر به شناسایی 42 شرکت به عنوان گزینه های موجه سرمایه گذاری گردید.
The present study was conducted with the aim of combining multi-criteria decision making approach and mathematical optimization in evaluating financial efficiency and refining the affecting factors. In this research, based on a quantitative analysis, a distinction is made between capital decision supporting and decision-making, and data envelopment analysis has been used in selecting the investment option. The type of research has been done in terms of theoretical-applied purpose and with survey research design. Using the fuzzy Dematel method, the most effective factors of financial efficiency was: 1) Current ratio, 2) Liquidity of assets, 3) Ownership ratio, 4) Operating cost rate, 5) Firm size, 6) Operating return on assets, 7) Net return Assets, 8) return on equity, 9) current asset turnover, 10) average monthly return, 11) daily price to earnings per share, 12) earnings growth. The statistical population of the research in the refinement of inputs and outputs includes professors and experts and, 183 selected companies of Tehran Stock Exchange in the selection of the optimal capital combination. The evaluation of financial efficiency led to the identification of 42 companies as justified investment options.
اژدری، فاطمه و رهنمای رودپشتی، فریدون وحمیدیان، محسن وجعفری، سیده محبوبه و باغانی، علی، (1398)، انتخاب پرتفوی سهام جهت سرمایه گذاری و شناسایی شرکت های برتر با روش محدودیت ال و با استفاده از روش یادگیری ماشین، فصلنامه علمی راهبرد مدیریت مالی دانشگاه الزهراء، انتشار آنلاین از 16 تیر.
2) اله رضایی، اسعد و فلاحتی، علی و سهیلی، کیومرث، (1397)، بهینه سازی سبد سهام با استفاده از الگوریتم تجمع ذرات سه هدفه، فصلنامه نظریه های کاربردی اقتصاد، دوره 5، شماره4، صص52-31.
3) رامتین نیا، شاهین و عطرچی، رومینا، (1397)، بهینه سازی سبد سهام با استفاده از الگوریتم تکامل تفاضلی و رویکرد ارزش در معرض ریسک مشروط، نشریه دانش مالی تحلیل اوراق بهادار، دوره 11، شماره 40، صص 36-25 .
4) سرایی، علی و دستمردی، مصطفی، (1384)، انتخاب سبد سهام بهینه با استفاده از تکنیک حداقل سازی حداکثر پراش بازده، چهارمین کنفرانس ملی مهندسی صنایع، تهران، ایران .
5) سیفی، عباس و گرویان، نغمه و حنفی زاده، پیام، (1386)، مقایسه مدلهای بهینه سازی استوار برای مساله انتخاب سهام چنددوره ای به کمک شبیه سازی، اولین کنفرانس بین المللی تحقیق در عملیات ایران، جزیره کیش.
6) علوی تبار، قاسم و باغبانی، مهدی و گرگی زاده، مجید و بحرینی، وحید، (1393)، ارائه الگویی ترکیبی جهت انتخاب سبدسهام دربازار بورس اوراق بهادارتهران با استفاده ازتکنیک تصمیم گیری چندمعیاره، اولین همایش ملی حسابداری ، حسابرسی و مدیریت، اصفهان، ایران.
7) وفایی جهان، مجید و اکبرزاده توتونچی، محمد رضا، (1386)، انتخاب بهینه سبد سهام مبتنی بر مدل آسپین گلاس، اولین کنگره مشترک سیستم های فازی و سیستم های هوشمند، مشهد، ایران.
8) Aouni, B., Colapinto, C., & La Torre, D. (2014). Financial portfolio management through the goal programming model: Current state-of-the-art. European Journal of Operational Research, 234(2), 536-545.
9) Ban, G. Y., El Karoui, N., & Lim, A. E. B. (2018). Machine Learning and Portfolio Optimization. Management Science, 64(3),1136-1154.
10) Branke, J., Scheckenbach, B., Stein, M., Deb, K., & Schmeck, H. (2009). Portfolio optimization with an envelope-based multi-objective evolutionary algorithm. European Journal of Operational Research, 199(3),684-693.
11) Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
12) Hovd, M., & Stoican, F. (2014). On the Design of Exact Penalty Functions for MPC Using Mixed Integer Programming. Computers & Chemical Engineering,70, 104–113.
13) Khoo, H. L., (2011). Dynamic Penalty Function Approach for Ramp Metering with Equity Constraints. Journal of King Saud University – Science, 23(3), 273–279.
14) Kubota, K., & Takehara, H. (2018). Does the Fama and French Five-Factor Model Work Well in Japan? International Review of Finance, 18(1),137-146.
15) Kuehn, L-A., Simutin, M., & Wang, J. J. (2017). A labor capital asset pricing model. The Journal of Finance, 72(5), 2131-2178.
16) Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1),77-91.
17) Meghwani, S. S., & Thakur, M. (2017). Multi-criteria algorithms for portfolio optimization under practical constraints. Swarm and evolutionary computation, 37, 104-125.
18) Roy, R., & Shijin, S. (2018). Dissecting anomalies and dynamic human capital: The global evidence. Borsa Istanbul Review, 18(1),1-32.
19) Sadaf, A., & Ghodrati, H. (2015). An Improved Genetic Algorithm Method for Selection and Optimizing the Share Portfolio. International Journal of Computer Science and Mobile Computing, 4(1), 342-353.
20) Sen, T., Saha, S., Ekbal, A., & Laha, A. K. (2015). Bi-objective portfolio optimization using archive multi-objective simulated annealing. In 2014 International Conference on High Performance Computing and Applications, ICHPCA 2014: IEEE.
21) Sharpe, W. F. (1966). Mutual Fund Performance. The Journal of Business, 39(1),119-138.
22) Xinjie. D. (2019). Stock Trend Prediction with Technical Indicators using SVM. Stanford University.
_||_
