ارائه مدل ترکیبی DEA-MLP در تشکیل سبدبهینه سهام: بررسی محتوای اطلاعاتی معیارهای حسابداری، معیارهای مبتنی بر ارزش و معیارهای BSC
محورهای موضوعی : مهندسی مالی
حسن فتاحی نافچی
1
,
مهدی عربصالحی
2
,
مجید اسماعیلیان
3
1 - گروه حسابداری، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران
2 - گروه حسابداری، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران
3 - گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران
کلید واژه: تحلیل پوششی دادهها, سبد بهینه سهام, الگوریتم حذف دادهای پرت, شبکه‌های عصبی MLP,
چکیده مقاله :
این هدف می‌تواند با استفاده از روش‌ها و الگوریتم‌های مختلفی صورت پذیرد. هدف پژوهش حاضر تدوین مدل سبد بهینه سهام با استفاده از ترکیب روش‌های تحلیل پوششی دادهها، الگوریتم حذف دادهای پرت و شبکه‌های عصبی MLP است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازه زمانی 1386 تا 1396 می‌باشد. برای تشکیل سبد بهینه سهام از تمام معیارهای موجود دسته‌بندی شده برای رسیدن به سبد سهام بهینه استفاده گردید. سپس نتایج به‌دست‌آمده در رویکردهای مختلف بر اساس معیار نسبت شارپ با هم مقایسه شد. یافته‌های حاصل از پژوهش حاکی از آن است که استفاده از ترکیب تحلیل پوششی دادهها، الگوریتم حذف دادهای پرت، شبکه‌های عصبی MLP و معیارهای حسابداری در تهیه سبد بهینه سهام منجر به افزایش نسبت شارپ در مقایسه با سایر رویکردها (ریسک و بازده، مبتنی بر ارزش و ارزیابی متوازن) می‌شود. به‌طورکلی به‌کارگیری هم‌زمان روش‌های ترکیبی بهینه‌سازی و معیارهای جامع استخراج‌شده از گزارش‌های حسابداری می‌تواند سبد سهام بهینه‌تر و مطلوبیت بیشتر را برای سرمایه‌گذاران به همراه داشته باشد.
Logical investment decisions require attention to different factors and different criteria at the same time. This goal can be achieved using various methods and algorithms. The purpose of this study is to develop an optimal stock portfolio model using a combination of data envelopment analysis methods, anomaly clustering algorithm and MLP neural networks.The statistical population of the research is the accepted companies in Tehran Stock Exchange during the period of 1386 to 1396. To create an optimal stock portfolio, all available criteria were grouped to reach the optimal stock portfolio.Then, the results were compared in different approaches based on the Sharp ratio. The results of the research indicate that using the combination of data envelopment analysis, anomaly clustering, MLP neural networks and accounting metrics in the provision of an optimal portfolio of stocks led to Increasing Sharp's ratio compared to other approaches (Risk and Efficiency, Value-Based, and Balanced Scorecard). In general, the simultaneous use of hybrid optimization techniques and comprehensive criteria derived from accounting reports can provide a more efficient basket of portfolios and more desirability for the investors.
Zhang, WG. & Nie, ZK. (2004). On Admissible Efficient Portfolio Selection Problem. Applied Mathematics and Computation, 159 (2), 357-371.
_||_1) Sinaii, Hassan Ali, and Ghastasbi Maharloi, Rasool (2011). Evaluating the efficiency and relative performance of companies with the data coverage analysis approach in order to form a stock portfolio. Journal of Accounting Knowledge, 3(11). 132-105.
10) Kaplan, R. S., & Norton, D. P. (1996). The Strategy-Focused Organization: How Balanced Scorecard Companies Survive in the New Business Environment, Boston, MA: Harvard Business School Press.
11) Kocadagli, Ozan; & Ridvan Keskin (2015). A Novel Portfolio Selection Model Based on Fuzzy Goal Programming with Different Importance and Priorities. Expert Systems with Applications, 42(20), 6898-6912.
12) Lehmann, D. R., Zahay, D., & Peltier, J. W. (2013). Survey analyze customer relationship management using balanced scorecard. Journal of Interactive Marketing, 27(1), 1-16.
13) Ratnasingam, P. (2009). Service quality management applying the balanced scorecard: An exploratory study. International Journal of Commerce and Management, 19(2), 127-136.
14) Song, Irene (2014). New Quantitative Approaches to Asset Selection and Portfolio Construction. Dissertation of Doctor of Philosophy, Columbia University.
15) Vapnik, V., 1998, Statistical Learning Theory. Wiley, New York.
2) Namazi, Mohammad, and Azimibidgholi, Mustafa (1391). Determining the criteria of balanced evaluation and their ranking using the process of hierarchical analysis in the companies accepted in the Tehran Stock Exchange. Financial Accounting Quarterly, 10(35), 1-12.
3) Namazi, Mohammadov and Ghafari, Mohammad Javad. (2014). Investigating the importance and role of managers' ability information and financial ratios as a criterion in choosing the optimal stock portfolio in companies listed on the Tehran Stock Exchange (using data coverage analysis). Financial Accounting Quarterly, 7(26), 1-30.
4) Ben Abdelaziz, F., Aouni, B. & Fayedh, R.E. (2007). Multi-Objective Stochastic Programming for Portfolio Selection. European Journal of Operational Research, 4(177). 1811-1823.
5) Cevikalp, H. (2010). New Clustering Algorithm for the Support Vector Machine Based Hierarchical Classification. Pattern Recognition Letters, 31(18), 1285-1291.
6) Chen, T. Y., & Chen, L. H. (2007). DEA performance evaluation based on BSC indicators incorporated: The case of semiconductor industry. International Journal of Productivity and Performance Management, 56(4), 335-357.
7) Cunha Callado, A. A., & Jack, L. (2015). Balanced scorecard metrics and specific supply chain roles. International Journal of Productivity and Performance Management, 64(2), 288-300.
8) Halkos, G. E., & D. S., Salamouris (2004). Efficiency Measurement of the Greek Commercial Banks with the Use of Financial Ratios: A Data Envelopment Analysis Approach, Management Accounting Research, 15(2), 201-224.
9) Horngren, C. T., Datar, S. D., & Rajan, M. V. (2012). Cost accounting: A managerial emphasis (14th ed). New Jersey, USA: Pearson Prentice Hall.
Zhang, WG. & Nie, ZK. (2004). On Admissible Efficient Portfolio Selection Problem. Applied Mathematics and Computation, 159 (2), 357-371.