بهینه سازی سبد سهام با استفاده ازالگوریم‌های جستجوی ممنوعه و فروشنده دوره گرد
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
فاطمه صمدی
1
,
فاطمه خسروی
2
,
حسین اسلامی مفیدآبادی
3
1 - عضو هیات علمی دانشگاه ازاد واحد تهران شرق
2 - کارشناسی ارشدمدیریت مالی
3 - گروه حسابداری و مدیریت، واحد شهریار،دانشگاه آزاد اسلامی، شهریار، ایران
کلید واژه: شاخص بورس, بهینه سازی سبد سهام, الگوریتم جستجوی ممنوعه, الگوریتم فروشنده دوره گرد,
چکیده مقاله :
تلاش در جهت بهبود روش‌های تجزیه و تحلیل سهام،به ویژه در بازارهایی که شمار سهام درآنها بسیار بالاست، منجر به پدید آمدن روش‌های نوینی گردیده که در کنار روش‌های گذشته درصدد یافتن پاسخی برای میل به حداکثر سازی سود فرد در بازارهای مالی می‌باشند. در این پژوهش به منظور بهینه سازی سبد سهام از شاخص بورس تهران و ارزش فروش - حقیقی - بورس (میلیارد ریال) از فروردین سال ۱۳۸۷ تا فروردین سال ۱۳۹۷ استفاده شده است. به منظور بهینه سازی سبد سهام از الگوریتم جستجوی ممنوعه و فروشنده دوره گرد استفاده شده است. برای شاخص بورس در سناریو اول تکرار ۱۰۰ و طول ۰.۵ بهترین جواب را ارائه می‌دهد. برای ارزش فروش - حقیقی - بورس در سناریو اول تکرار ۱۰۰ و طول ۰.۵ بهترین جواب را ارائه می‌دهد. با توجه به جستجو محور بودن الگوریتم‌های مورد بررسی تعداد تکرارهای بیشتر در سناریوهای مختلف بهترین جواب را ارائه می‌دهد که طول جستجو تاثیر چندانی در بهترین جواب نداشته و معیار تعداد تکرار برتری بیشتری دارد. براساس نتایج مشخص است که در اوایل سال‌های بررسی با سیر صعودی شاخص تعداد نقاط سود دهی دارای تراکم بیشتر و فشرده تر است ولی با گذشت زمان سیر نزولی شاخص و افزایش فروش میزان سود دهی با تراکم‌های کمتر پیشنهاد شده است.
In this thesis, modeling and forecasting of stock market fluctuations using the combination of neural network and conditional variance patterns (case, Tehran Stock Exchange) have been used from April 2008 to April 2012. According to the predicted results, this hypothesis is confirmed, but its accuracy is not as large as the composition of the neural network and the conditional variance pattern. In the return time series, both GRACH and ARCH conditional variances are rejected, but in the GRACH time series, ARCH is rejected. Given the artificial neural network simulation and conditional variance, the error value of the least squares is the return value of 18, that is, an error is required to estimate future returns. An important parameter of the opacifying factor is the dependence of our input and output at each stage, which indicates a number close to 1 and shows a complete dependence. According to the artificial neural network simulation and conditional variance, the least squares risk error value is 0.001, that is, to estimate the returns for the future, this error is error. Another important parameter of this regression table is R, which shows the dependence of our input and output in each stage, where 0 means a random relationship and 1 means dependence.
_||_