پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,036 |
| تعداد مشاهده مقاله | 125,505,074 |
| تعداد دریافت فایل اصل مقاله | 98,769,179 |
مقایسۀ اثر روش‌های بهینه‌یابی و برآورد بازده مورد انتظار بر سبد بهینۀ سهام | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 3، دوره 49، شماره 1، اردیبهشت 1393، صفحه 45-68 اصل مقاله (505.46 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jte.2014.50540 | ||
| نویسندگان | ||
| مصطفی دین محمدی* 1؛ رضا پیرایش2؛ آرش داداشی3 | ||
| 1استادیار، دانشگاه زنجان، دانشکدۀ علوم انسانی، گروه اقتصاد | ||
| 2استادیار، دانشگاه زنجان، دانشکدۀ علوم انسانی، گروه مدیریت و حسابداری | ||
| 3کارشناس ارشد مهندسی مالی | ||
| چکیده | ||
| در این مقاله نتایج دو روش بهینهسازی سبد سهام (روش متعارف کلاسیک و فراابتکاری ژنتیک) با استفاده از دو روش برآورد نرخ‌ها‌ی بازده مورد انتظار (شبکه‌ها‌ی عصبی و میانگین بازده تاریخی) در مدل مارکویتز با هم مقایسه شده‌اند. بازار سرمایۀ مورد مطالعه در این تحقیق بورس اوراق بهادار تهران با داده‌ها‌ی هفتگی شهریور 1389 تا شهریور 1390 است. نتایج نشان می‌دهند با اینکه دو روش کلاسیک و ژنتیک وزن‌ها‌ی مختلفی برای تشکیل سبد سرمایه‌گذاری توصیه می‌کنند، ترکیب آن‌ها سطح ریسک و بازده تقریباً یکسانی دارند. با توجه به اینکه حل مسائل با ابعاد خیلی بزرگ با روش کلاسیک مشکل و زمان‌بر است، الگوریتم ژنتیک روش جایگزین مناسبی برای حل مدل‌ها‌ی پیچیدۀ تشکیل سبد سهام است. بازده حاصل از سبد سهام برای چهار زمان پیش‌بینی با استفاده از بازده‌ها‌ی مورد انتظار شبکۀ عصبی و میانگین بازده تاریخی نشان می‌دهد، روش شبکۀ عصبی در 3 ماه ابتدایی بهتر از روش میانگین بازده تاریخی عمل کرده است. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ بهینهسازی سبد سهام؛ شبکۀ عصبی؛ مدل مارکویتز | ||
| عنوان مقاله [English] | ||
| Comparison of Optimization Methods and Estimation of the Expected Return on the Optimal Portfolio Shares | ||
| نویسندگان [English] | ||
| Mostafa Dinmohammadi1؛ Reza Pirayesh2؛ Arash Dadashi3 | ||
| 1Department of Economics, Faculty of Humanities, University of Zanjan, Iran | ||
| 2Department of Management and Accounting, Faculty of Humanities, University of Zanjan, Iran | ||
| 3M.A in Financial Engineering, Iran | ||
| چکیده [English] | ||
| Modern Portfolio Theory is based on Harry Markowitz's 1952 work on mean-variance portfolios. He stated that a rational investor should either maximize his expected return for a given level of risk, or minimize his risk for a given expected return. In this study the Markowitz model with cardinality constraints was studied. We extend the standard model to include cardinality constraints that limit a portfolio to have a specified number of assets, and to impose limits on the proportion of the portfolio held in a given asset (if any of the assets is held). Since considering the Markowitz model with cardinality constraints leads to NP-hard optimization problem, we introduce a Genetic Algorithm. In the usual manner, mean of the historical returns are used as inputs in the Markowitz model as rate of stock returns estimation. With studying the security prices, are shows that the rate of stock returns is difference with mean of historical returns, so with the aim of artificial neural networks, they were estimated. The proposed method was experienced on Tehran stock Exchange and the method was showed good results. | ||
| کلیدواژه‌ها [English] | ||
| Genetic algorithm, Neural Networks, Portfolio optimization | ||
|
آمار تعداد مشاهده مقاله: 3,026 تعداد دریافت فایل اصل مقاله: 1,576 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب