توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگوریتم بهینه‌سازی مورچگان پیوسته (ACOR) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پیشنهادشده است. داده‌های مربوط به 15 شرکت منتخب طی سال‌های 1387 تا 1396 بر اساس دوره‌های کوتاه‌مدت و بلندمدت و همچنین روندهای بازار صعودی، نزولی و خنثی موردبررسی قرار گرفته اند. جهت انتخاب متغیرهای ورودی نهایی، از مقایسه رتبه بازدهی شاخص‌های تکنیکی بر اساس قواعد معاملاتی استفاده‌شده است. درنهایت، آزمون مقایسه زوجی بازدهی مدل‌ها در مقایسه با استراتژی خرید و نگهداری انجام شد و بازدهی مدل ها با یکدیگر مقایسه شده است. نتایج تحقیق نشان می دهد مدل های ترکیبی MLP و الگوریتم های تکاملی عملکرد بهتر و معناداری نسبت به روش خرید و نگهداری و مدل MLP-BP داشته است و مدل MLP_PSO بازدهی بیش تری نسبت به سایر مدل ها کسب کرده است. پرونده مقاله

در این پژوهش به رتبه بندی رویکردهای مختلف ارزش در معرض ریسک و ریزش مورد انتظار بر روی داده های روزانه شاخص صنعت بانکداری در طی دوره زمانی 1387 تا 1395 با تأکید بر رویکرد ارزش فرین شرطی می پردازیم. در مرحله اول، برای بررسی اعتبار پیش بینی مدل های مختلف از روش های پس آزمایی پوشش برنولی و آزمون استقلال تخطی برای VaR و آزمون مک نیل وفری برای ES استفاده می گردد. در مرحله دوم، توابع زیان مدل های معتبر باقی مانده از مرحله اول وارد تابع MCS شده و رتبه بندی آماری صورت می گیرد. تابع زیان مورد استفاده در مدل های VaR، تابع زیان داو و در مدل های ES، اولسن می باشد. نتایج نشان داد در هر دو مدل های VaR و ES و در سطح اطمینان 99% ، رویکردهای ارزش فرین شرطی با فرض پسماندهای استاندارد شده نرمال، ارزش فرین شرطی با فرض پسماندهای استاندارد شده تی استیودنت و گارچ با پسماندهای تی استیودنت به ترتیب رتبه های اول تا سوم را دارند پرونده مقاله

در این مقاله، رویکردی برای ارزش گذاری سوآپ نکول اعتباری (CDS)، طبقات مختلف تعهدات بدهی وثیقه دار (CDO) ساختگی و سوآپ kامین نکول ارائه می شود. برای مدل سازی همبستگی نکول در محصولات چندنام از رویکرد کاپیولای گوسی یک عاملی استفاده شده است. در این تحقیق، تجزیه و تحلیل حساسیت مربوط به تأثیر همبستگی نکول و نیز نرخ خطر شرکت ها بر هزینه حمایت محصولات اعتباری چندنام انجام شده است. یافته های تحقیق نشان می دهد در CDO ساختگی، زمانی که همبستگی پایین است طبقه مالکیت زیرین بسیار ریسکی و طبقات ارشد بسیار ایمن هستند. زمانی که همبستگی افزایش می یابد، ریسک طبقات زیرین کم تر شده و ریسک طبقات ارشد بیشتر می گردد. همچنین تجزیه و تحلیل مربوط به ارزش گذاری سوآپ kامین نکول نیز نشان می دهد افزایش نرخ خطر شرکت ها، هزینه خرید حمایت را در همه سوآپ ها افزایش می دهد. همچنین افزایش همبستگی های میان شرکت ها با فرض ثابت بودن نرخ خطر در صورتی که k کوچک باشد منجر به پایین آمدن هزینه حمایت و در صورتی که k بزرگ باشد منجر به افزایش آن می شود. پرونده مقاله

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و موردتوجه محافل علمی و سرمایه‌گذاری بوده است. در سالیان گذشته مدل های گوناگونی برای پیش‌بینی با استفاده از شبکه عصبی و مدل های ترکیبی پیشنهاد شده‌اند که از مدل های سنتی عملکرد بهتری داشتند. در این پژوهش یک مدل ترکیبی از شبکه عصبی و تبدیل موجک پیشنهادشده است که از الگوریتم ژنتیک برای بهینه سازی تابع پایه تبدیل موجک با هدف حداکثر نمایی کارایی این تبدیل، استفاده‌شده است. داده های مورداستفاده برای این پژوهش داده های روزانه از تاریخ 02/02/1391 تا تاریخ 30/01/1396 است. نتایج این پژوهش نشان داد که با این روش می‌توان تابع پایه‌ای متناسب با ویژگی های ذاتی سری زمانی برای پیش‌بینی یافت که خطای پیش‌بینی در این مدل نسبت به مدل شبکه عصبی و مدل ترکیبی شبکه عصبی و تبدیل موجک کاهش یابد. پرونده مقاله