ارائه مدل ریاضی دو مرحله ای ارزیابی و انتخاب سبد پروژه
محورهای موضوعی : مهندسی مالی
شهاب فروتن چهر
1
,
سعید آقاسی
2
*
,
سید محمدرضا داودی
3
1 - گروه مدیریت صنعتی- مالی، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
2 - گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
3 - گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
کلید واژه:
چکیده مقاله :
اﻣﺮوزه ﻟﺰوم انتخاب سبد سهام ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻞ اﺻﻠﯽ ﻣﻮﻓﻘﯿﺖ در سود‌‌‌آوری سرمایه‌گذاری آﺷﮑﺎر اﺳﺖ. ارزیابی سهام از ﺗﻤﺎﻣﯽ اﺑﻌﺎد آن ﻧﯿﺎز ﺣﯿﺎﺗﯽ در سازمان‌های سرمایه‌گذار اﺳﺖ. از این رو در این پژوهش یک مدل ریاضی چند هدفه دو مرحله‌ای ارزیابی و انتخاب سبد پروژه معرفی شد. با توجه به عدم قطعیت‌های موجود در ارزیابی سبد پروژه، تئوری عدم قطعیت استوار برتسیماس و سیم بر روی مدل ریاضی توسعه داده شدند و سپس با توجه به NP-HARD بودن مساله مورد مطالعه، جهت اعتبارسنجی مدل در ابعاد بزرگتر با استفاده از دو الگوریتم فرا‌ابتکاری MOPSO و NSGAII به تحلیل یافته‌های مدل پرداخته شد. بر اساس تحلیل‌های جواب های بدست آمده حاصل از دو الگوریتم نشان داده شد که زمان محاسباتی الگوریتم MOPSO بهتر از الگوریتم NSGAII می باشد و میانگین های تابع هدف اول و دوم MOPSO نیز نشان از برتری این الگوریتم در مقایسه با NSGAII داشت. در سایر پارامتر‌های تحلیلی مانند NPF و MSI و SM نشان داده شد که الگوریتم NSGAII عملکرد بهتری نسبت به الگوریتم MOPSO دارد. با استفاده از روش TOPSIS نشان داده شد که الگوریتم NSGAII با وزن 0.6945 مطلوبیت بیشتری در برابر MOPSO داشته است.
Today, the need to choose a project portfolio as the main factor in the success of investment profitability is obvious. Evaluating a portfolio of all its dimensions is an urgent and vital need in investment organizations. Therefore, in this research, a two-stage multi-objective mathematical model was evaluated and the project portfolio was selected. Due to the uncertainties in the evaluation of the project portfolio, the theory of firm uncertainty based on Bertsimas and wire were developed on a mathematical model and then due to the NP-HARD being the problem under study, to validate the model in larger dimensions using two algorithms. The meta-initiative of MOPSO and NSGAII analyzed the model findings. Based on the analysis of the results obtained from the two algorithms, it was shown that the computational time of MOPSO algorithm is better than NSGAII algorithm and the means of the first and second objective function of MOPSO also showed the superiority of this algorithm compared to NSGAII. Other analytical parameters such as NPF, MSI and SM showed that the NSGAII algorithm performed better than the MOPSO algorithm. Finally, using TOPSIS method, it was shown that NSGAII algorithm with a weight of 0.6945 was more favorable than MOPSO.