در این مقاله، با استفاده از وابستگی دنباله پایینی و تئوری مقدار حدی، به مسئله انتخاب پرتفولیو پرداخته شده است. وابستگی دنباله پایینی، میزان وابستگی دنباله پایینی یک سهم یا پرتفولیوی مفروض، با دنباله پایینی بازار را مشخص می کند. در واقع وابستگی دنباله پایینی معیاری برای اندازه گیری احتمال آسیب دیدن یک پرتفوی از زیان های بزرگ است و در این پژوهش وابستگی دنباله پایینی نمونه ای از پرتفوها با بازار سهام مورد بررسی قرار می گیرد. وابستگی دنباله پایینی برای سرمایه گذاران ریسک گریز حاوی اطلاعات مهمی می باشد و از لحاظ سیستماتیکی با دیگر معیارهای ریسک شامل واریانس، نیم واریانس، چولگی، کشیدگی، بتا و هم چولگی متفاوت می باشد. بازه زمانی سال های 1381 تا 1393 می باشد و 30 شرکتی که داده تاریخی کافی داشتند و حداقل یک بار در لیست 50 شرکت فعال تر بودند، انتخاب شده اند. در تست های خارج نمونه ای مشخص شد که پرتفوهای متشکله با مقدار کمتر وابستگی دنباله پایینی از شاخص بازار و پرتفوهای متشکله با مقدار بیشتر وابستگی دنباله پایینی بهتر عمل می کنند. در نهایت باید گفت که در این پژوهش نتایج حاکی از آن است که وابستگی دنباله پایینی از لحاظ مفهومی برای سرمایه گذاران ریسک گریز مهم است و به طور اساسی با دیگر معیارهای ریسک متفاوت است. پرونده مقاله

تلاش در جهت شناسایی مدل مناسب و بالا بردن دقت اندازه گیری با استفاده از سنجه ارزش در معرض ریسک از اهمیت ویژه ای برخوردار است. ارزش در معرض ریسک شرطی (CVaR) با نداشتن برخی نواقص ارزش در معرض ریسک، سنجه قابل اعتماد تری می باشد. در این پژوهش با مطالعه در خصوص ویژگی های داده های شاخص کل بورس اوراق بهادار تهران وکاربرد مدل FIGARCH-EVT در محاسبه ارزش در معرض ریسک شرطی، تصریح دقیق تری حاصل شده است. ابتدا مدل ترکیبی GARCH-EVT پیاده سازی شد و با توسعه آن، به مدل FIGARCH-EVT رسیدیم که خاصیت خوشه ای بودن، پویا بودن و حافظه بلندمدت را در مدل سازی لحاظ نموده است. استفاده از مدل FIGARCH برای داده های بازده لگاریتمی شاخص کل، موجب لحاظ کردن خواص فوق در مدل سازی خواهد شد. بعلاوه، خاصیت دنباله پهن بودن داده های بازده شاخص با استفاده از تئوری مقدار فرین (EVT) برای پسماندهای مدل FIGARCH بکار برده می شود. برای مقایسه نتایج، مدل های NORMAL-GARCH و t-Student-GARCH، شبیه سازی تاریخی و GARCH-EVT نیز برای داده ها بازده شاخص بکار برده شده است. نتایج حاصل از مدل ها با استفاده از آزمون های پس‌آزمون مورد بررسی و مقایسه قرار گرفته اند. نتایج حاصل از این پژوهش نشان می دهد که توزیع داده ها بازدهی شاخص نامتقارن دارای چولگی بوده و از توزیع نرمال تبعیت نمی کند. بر اساس چهار آزمون جزء اخلال مازاد استانداردشده، فرآیند نقض تجمعی، پس آزمایی ریزش مورد انتظار و تابع زیان لوپز مدل FIGARCH-EVT نسبت به سایر مدل ها از دقت بالاتری برخوردار می باشد. پرونده مقاله

در دنیای امروز بازارهای سرمایه با توجه به پیشرفت تکنولوژی های کامپیوتری و استفاده از زیر ساختهای فناوری اطلاعات امکان ایجاد سودآوری از طریق معاملات پربسامد را افزایش داده است. هدف اصلی این پژوهش بررسی و ارائه مدلی است از الگوریتم های معاملات زوجی است که توان ایجاد بازدهی بالاتری را نسبت به الگوریتم های پیشین مبتنی بر هم انباشتگی داشته باشد. در مطالعه پیشینه تحقیقات یکی از محدودیت های الگوریتم معاملات زوجی استفاده از حدود و قوانین ثابت بوده است که نمی تواند بخشی از پویایی های سیستم را مدل نمایید. این پژوهش که بر حسب هدف در زمره تحقیقات کاربردی و از حیث گردآوری داده ها در قالب تحقیقات توصیفی با رویکرد ارائه یک مدل قرار میگیرد. به منظور آزمون مدل با استفاده از داده های سال 1395 سهام به صورت درون روزی مدلها آزمون شدند. جامعه آماری این تحقیق 50 شرکت برتر بورس اوراق بهادار تهران بوده اند که با استفاده از فیلتر نمودن داده ها به منظور ایجاد جفت سهم این تعداد به 33 سهم کاهش یافت که این تعداد به عنوان نمونه انتخاب گردید. با پیاده سازی دو مدل الگوریتم معاملات زوجی و الگوریتم معاملات زوجی کنترل کیفیت آماری فازی نتایج پژوهش ارائه گردید و در پایان نتایج نشان داد که الگوریتم اصلاح شده در دوره مشابه سرمایه گذاری توانسته است 95/57% بازده ایجاد نماید در حالی که مدل پایه 17/46% بازده را برای سرمایه گذرار به همراه داشته است. پرونده مقاله

انتخاب سبد سهام از مهم ترین تصمیم گیری های سرمایه گذاران نهادی است. اولین بار در سال 1950 مارکوویتز با معرفی مدل میانگین-واریانس به وارد کردن معیار ریسک به تصمیم گیری درباره انتخاب سبد سهام پرداخت. این اقدام منجر به شکل گیری شاخه ای پرکاربرد به نام بهینه سازی سبد سهام شد. بهینه سازی سبد سهام با افزودن محدودیت های واقعی شکل پیچیده تری به خود گرفت؛ بطوریکه با افزایش تعداد دارایی ها یا محدودیت ها، تبدیل به مسئله ای ان پی-سخت می شود که حل آن با روش های مبتنی بر مشتق گیری ممکن نیست؛ بنابراین بایست از روش های عددی یا فراابتکاری بهره جست. هدف این پژوهش، بهینه سازی سبد سهام به کمک الگوریتم فراابتکاری نهنگ است. این روش با الهام از روش زندگی نهنگ ها در سال 2016 معرفی شد. این پژوهش با استفاده از بازده های سهام شرکت های موجود در شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران، به بهینه سازی این سبد با الگوریتم نهنگ پرداخته و ضمن مقایسه آن با دو الگوریتم فراابتکاری دیگر، مزایای آن در بهینه سازی سبد سهام را بررسی می ‎کند. پرونده مقاله

در سال‌های اخیر بازارهای مالی با نوسانات زیادی مواجه شده و عدم اطمینان ناشی از این نوسان‌ها، نگرانی‌هایی را در سرمایه‌گذاران ایجاد نموده است. از این رو مدل‌سازی نوسان و پیش‌بینی آن در مسائل مختلف تحقیقی و عملی مالی، مورد توجه قرار گرفته است. در این راستا، امکان دسترسی به داده‌های پرفراوانی، عرصه‌ی جدیدی برای مدل‌سازی نوسان و پیش‌بینی بازده دارایی‌های مالی ایجاد نموده است. در این پژوهش، مدل‌سازی نوسان با استفاده از داده‌های پرفراوانی و با کمک مدل‌های خانواده‌ی HAR-RV، انجام شده و اثر اضافه نمودن جزء پرش در کارایی پیش‌بینی نوسان شاخص کل بورس اوراق بهادار تهران مورد بررسی قرار گرفته است. نتایج مدل‌سازی و پیش‌بینی حاکی از این است که خطای پیش‌بینی با اضافه نمودن جزء پرش به مدل کاهش یافته و همچنین مجزا نمودن اجزای پرش و پیوسته نوسان تحقق‌یافته نیز در بهبود کارایی پیش‌بینی تاثیرگذار است. پرونده مقاله