سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,694
تعداد مقالات72,244
تعداد مشاهده مقاله129,253,814
تعداد دریافت فایل اصل مقاله102,093,949
هاشمی نژاد, سید علی, باقرپور, مرتضی. (1399). تعیین سبد بهینه سرمایه‌گذاران خطرپذیر بر اساس روش ترکیبی مدل‌سازی عامل‌محور و جست‌وجوی هارمونی اصلاح‌شده. , 21(4), 493-516. doi: 10.22059/frj.2019.277295.1006833
سید علی هاشمی نژاد; مرتضی باقرپور. "تعیین سبد بهینه سرمایه‌گذاران خطرپذیر بر اساس روش ترکیبی مدل‌سازی عامل‌محور و جست‌وجوی هارمونی اصلاح‌شده". , 21, 4, 1399, 493-516. doi: 10.22059/frj.2019.277295.1006833
هاشمی نژاد, سید علی, باقرپور, مرتضی. (1399). 'تعیین سبد بهینه سرمایه‌گذاران خطرپذیر بر اساس روش ترکیبی مدل‌سازی عامل‌محور و جست‌وجوی هارمونی اصلاح‌شده', , 21(4), pp. 493-516. doi: 10.22059/frj.2019.277295.1006833
هاشمی نژاد, سید علی, باقرپور, مرتضی. تعیین سبد بهینه سرمایه‌گذاران خطرپذیر بر اساس روش ترکیبی مدل‌سازی عامل‌محور و جست‌وجوی هارمونی اصلاح‌شده. , 1399; 21(4): 493-516. doi: 10.22059/frj.2019.277295.1006833

تعیین سبد بهینه سرمایه‌گذاران خطرپذیر بر اساس روش ترکیبی مدل‌سازی عامل‌محور و جست‌وجوی هارمونی اصلاح‌شده

تحقیقات مالی
مقاله 1، دوره 21، شماره 4، 1398، صفحه 493-516    اصل مقاله (1.66 M)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2019.277295.1006833
نویسندگان
سید علی هاشمی نژاد1؛ مرتضی باقرپور* 2
1دانشجوی دکتری، گروه مهندسی سیستم، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.
2استادیار، گروه مدیریت بهره‌وری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.
چکیده
هدف: از آنجا ‎که سرمایه‌گذاری خطرپذیر، بهترین روش تأمین مالی برای ایجاد و رشد شرکت‌های نوپا و دانش‌بنیان است، توجه بسیاری از کشورهای توسعه‌یافته را به خود جلب کرده است. نحوه انتخاب شرکت‌های نوپا و اتحاد سرمایه‌گذاران، از چالش‌های مهم این صنعت است. از این رو، همواره نیاز به روش‌های یکپارچه‌ای بر اساس رویکردهای تحلیل کمّی احساس می‌شود. در پژوهش حاضر، بهینه‌سازی سبد شرکت‌های نوپا به محیط واقعی نزدیک‌تر شده و ترجیح شرکت‌های نوپا، همانند شرکت‌های سرمایه‌گذاری خطرپذیر، به‌عنوان تصمیم‌گیرنده در نظر گرفته شده است تا نشان داده شود که کدام سرمایه‌گذارها در کدام شرکت‌های نوپا با یکدیگر مشارکت کنند و سهم هر یک چقدر باشد.
روش: با لحاظ کردن پیچیدگی مسئله، نزدیک‌ترین مدل به محیط واقعی، مدل عامل‌محور است. با اتخاذ دو موتور محاسبه‌ای مستقل مبتنی بر سیستم استنتاج تطبیقی فازی ـ عصبی و ترکیب این سیستم با الگوریتم بهینه‌سازی ذرات و در جهت بهبودبخشی، از روش فراابتکاری جست‌وجوی هارمونی اصلاح‌شده، برای شناسایی سبد سرمایه‌گذاری نزدیک به بهینه استفاده شده است.
یافته‌ها: پس از مطرح‌کردن چهار مثال با ابعاد گوناگون، روش حل پیشنهادی برای هر یک 5 بار به‌صورت مستقل اجرا شد. بر اساس محاسبه‌ها، موتور محاسبه‌ای سیستم استنتاج فازی ـ عصبی تطبیقی تنظیم‌شده توسط الگوریتم بهینه‌سازی ازدحام ذرات، کاراتر بود و سبد بهینه مبتنی بر آن به‌دست آمد.
نتیجه‌گیری: بر اساس فرضیه‌های مسئله و مشخصه‌های هر یک از عامل‌ها در سرمایه‌گذاری خطرپذیر، مدیریت ریسک پرتفوی هر یک از سرمایه‌گذاران و سهم هر یک و اتحادهای پیشنهادی مدل مابین سرمایه‌گذاران، بهینه شد.
کلیدواژه‌ها
سرمایه‌گذاری خطرپذیر؛ مدل‌سازی عامل‌محور؛ جست‌وجوی هارمونی؛ بهینه‌سازی ازدحام ذرات؛ سیستم استنتاج فازی ـ عصبی تطبیقی
عنوان مقاله [English]
Venture Capital Portfolio Optimization through Hybrid Approach of Agent-Based Modeling and Modified Harmony Search
نویسندگان [English]
Seyed Ali Hasheminejad1؛ Morteza Bagherpour2
1Ph.D. Candidate, Department of Industrial Engineering, School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran.
2*Corresponding author, Assistant Prof., Department of Productivity Management, School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده [English]
Objective: Increasing the competitiveness of countries in the world can be reached only through innovation and the financial aspect is the most important pillar of a national innovation system. Hence, the role of venture capital in developing knowledge-based institutions is vital. However, startup portfolio selection and venture capital firms’ syndication have always been critical challenges in VC industry. Hence, the need for integrated methods, based on sophisticated quantitative techniques, is always being felt. In this research, the simulation of startup portfolio optimization is much more similar to real world and the preferences of startups as decision-makers and the interaction between investees and investors are considered. The results could shed light on which investors regarding their attributes and the startup's attributes should syndicate together and how much is their shares.
Methods: Considering the complexity of the problem, the best-known model to simulate the problem is an agent-based modeling. By applying two different computational engines based on ANFIS and ANFIS tuned by PSO and also through the utilization of modified HS, the optimization procedure is preceded.
Results: The proposed solution method is applied to about four various samples and has been executed five times independently. Regarding analysis, the computational engine based on ANFIS tuned by PSO is more efficient and the optimum portfolio is achieved based on it.
Conclusion: Regarding the assumptions of the problem and the agent’s attributes in venture capital, the investors’ portfolios and their syndication has been optimized in order to lessen risk and increase return on investment.
کلیدواژه‌ها [English]
Venture capital, Agent-based modeling, Harmony search, Particle swarm optimization, Adaptive Network Fuzzy Inference System
مراجع
راعی، رضا؛ علی‌بیگی، هدایت (1389). بهینه‌سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات. تحقیقات مالی، 12(29)، 21-40.

سلیمی‌فرد، خداکرم؛ حیدری، ابراهیم؛ مرادی، زهرا؛ مغدانی، رضا (1395). گزینش سبد بهینه سرمایه‌گذاری با به کارگیری مدل توسعه‌یافته چند هدفه مارکویتز و الگوریتم جست‌وجوی هارمونی. تحقیقات مالی، 18(3)، 483-504.

قدوسی، سعید؛ تهرانی، رضا؛ بشیری، مهدی (1394). بهینه‌سازی سبد سهام با استفاده از روش تبرید شبیه‌سازی شده. تحقیقات مالی، 17(1)، 141-158.

وکیلی‌فرد، حمیدرضا؛ خشنود، مهدی؛ فروغ‌نژاد، حیدر؛ اصولیان، محمد (1393). مدل‌سازی مبتنی بر عامل در بازارهای مالی. دانش سرمایه‌گذاری، 3(12)، 139–158.

 

References
Afful-Dadzie, E., & Afful-Dadzie, A. (2016). A decision making model for selecting start-up businesses in a government venture capital scheme. Management Decision, 54(3), 714–734.
Afful-Dadzie, E., Kominkova, Z., & Nabareseh, S. (2015a). Selecting start-up businesses in a public Venture capital financing using Fuzzy PROMETHEE. Procedia Computer Science, 60(1), 63–72.
Afful-Dadzie, E., Kominkova, Z., & Nabareseh, S. (2015b). Selecting Start-up Businesses in a Public Venture Capital with Intuitionistic Fuzzy TOPSIS. Proceedings of the World Congress on Engineering and Computer Science, 1(1), 63–72.
Alperovych, Y., Hübner, G., & Lobet, F. (2015). How does governmental versus private venture capital backing affect a firm’s efficiency? Evidence from Belgium. Journal of Business Venturing, 30(4), 508–525.
Aouni, B., Colapinto, C., & La Torre, D. (2013). A cardinality constrained stochastic goal programming model with satisfaction functions for venture capital investment decision making. Annals of Operations Research, 205(1), 77–88.
Aouni, B., Colapinto, C., & La Torre, D. (2014a). A Fuzzy Goal Programming Model for Venture Capital Investment Decision Making. INFOR: Information Systems and Operational Research, 52(3), 138–146.
Aouni, B., Colapinto, C., & La Torre, D. (2014b). Financial portfolio management through the goal programming model: Current state-of-the-art. European Journal of Operational Research, 234(2), 536–545.
Barzinpour, F., Ebrahimi, S. B., Hasheminejad, S. M. , Nasr Esfahani, H.(2012). Comparing the accuracy of the model Meta heuristic and Econometric in forecasting of financial time series with long-term memory (Case Study, Stock Index of Cement Industry in Iran). Financial Research Journal, 13(31), 1-22.
Beim, G., & Lévesque, M. (2006). Country Selection for New Business Venturing: A Multiple Criteria Decision Analysis. Long Range Planning, 39(3), 265–293.
Block, J., & Sandner, P. (2009). What is the effect of the financial crisis on venture capital financing? Empirical evidence from US Internet start-ups. Venture Capital, 11(4), 295–309.
Clerc, M., & Kennedy, J. (2002). The Particle Swarm — Explosion , Stability , and Convergence in a Multidimensional Complex Space. IEEE Transactions on Evolutionary Computation, 6(1), 58–73.
Colapinto, C., & La Torre, D. (2015). Multiple Criteria Decision Making and Goal Programming for Optimal Venture Capital Investments and Portfolio Management. Springer International Publishing Switzerland, 1–7.
Drover, W., Wood, M. S., & Fassin, Y. (2014). Take the money or run? Investors’ ethical reputation and entrepreneurs’ willingness to partner. Journal of Business Venturing, 29(6), 723–740.
Fairchild, R. (2011). An entrepreneur’s choice of venture capitalist or angel-financing: A behavioral game-theoretic approach. Journal of Business Venturing, 26(3), 359–374.
Gannon, R., Hogan, K. M., & Olson, G. T. (2015). A Multicriteria Decision Model for Venture Capital Firms’ Evaluation of New Technology Business Firms, Applications of Management Science, 27–50.
Geem, Z. W. (2009). Music-inspired harmony search algorithm: theory and applications. Studies In Computational Intelligence. Springer, Verlag Berlin Heidelberg.
Geem, Z. W. (2010). Recent advances in harmony search algorithm. Springer-Verlag Berlin Heidelberg (Vol. 270). Springer, Verlag Berlin Heidelberg.
Jang, J. R. (1993). ANFIS: Adap tive-Ne twork-Based Fuzzy Inference System. IEEE Transctions on Systems Man and Cybernetics, 23(3), 665- 685.
Khanzadi, M., Movahedian, A., & Bagherpour, M. (2016). Finding optimum resource allocation to optimizing construction project Time/Cost through combination of artificial agents CPM and GA. Periodica Polytechnica Civil Engineering, 60(2), 169–180.
Lee, K. S., & Geem, Z. W. (2005). A new meta-heuristic algorithm for continuous engineering optimization: Harmony search theory and practice. Computer Methods in Applied Mechanics and Engineering, 194(36–38), 3902–3933.
Lerner, J. (2002). When bureaucrats meet entrepreneurs: The design of effective “public venture capital” programmes. The Economic Journal, 112, 73–84.
Li, M., & Wu, C. (2016). A Distance Model of Intuitionistic Fuzzy Cross Entropy to Solve Preference Problem on Alternatives. Mathematical Problems in Engineering, 2016(8), 1-9.
MacAl, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151–162.
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91.
Qodusi, S., Tehrani, R., Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Financial Research Journal, 17(1), 141-158.
Raei, R. Alibeiki, H. (2010). Portfolio optimization using particle swarm optimization method. Financial Research Journal, 12(29), 21-40
Rostamzadeh, R., Ismail, K., & Zavadskas, E. K. (2014). Multi criteria decision making for assisting business angels in investments. Technological and Economic Development of Economy, 20(4), 696–720.
Salimifard, Kh., Heidari, E., Moradi, Z., Moghdani, R.(2016). Selecting Optimal Portfolio Using Multi- objective Extended Markowitz Model and Harmony Search Algorithm. Financial Research Journal, 18(3), 483-504. (in Persian)
Sammut, S. M. (2012). What every biotechnology entrepreneur needs to know about VC due diligence. Journal of Commercial Biotechnology, 18(2), 72–77.
Soleimani, H., Golmakani, H. R., & Salimi, M. H. (2009). Markowitz-based portfolio selection with minimum transaction lots, cardinality constraints and regarding sector capitalization using genetic algorithm. Expert Systems with Applications, 36(3 PART 1), 5058–5063.
Stimel, D., & Ph, D. (2012). The Short-Run Effects of the Macro-economy on Venture Capital : US Evidence Figure 1a Real Venture Capital Investments 1995 to 2011 Overall Expansion Stage Early Stage Late Stage Startup. Economics and Finance Review, 2(3), 38–45.
Takagi, T., & Sugeno, M. (1985). Fuzzy Identification of Systems and Its Applications to Modeling and Control. Journal of Hydroinformatics, (1), 116–132.
Tian, X., Xu, Z., Gu, J., Herrera-Viedma, E. (2017). How to Select a Promising Enterprise for VentureCapitalists with Prospect Theory under Intuitionistic Fuzzy Circumstance? Applied Soft Computing,17(1), 1-28.
Vakilifard, H., Khoshnood, M., Foroghnezhad, H., & Osolian, M. (2014). Agent-based Modeling in Financial Markets. Journal Management System, 139-158. (in Persian)
Valliere, D., & Peterson, R. (2007). When entrepreneurs choose VCs: Experience, choice criteria and introspection accuracy. Venture Capital, 9(4), 285–309.
Wiratno, S. E., Latiffianti, E., & Wirawan, K. K. (2015). Selection of Business Funding Proposals Using Analytic Network Process: A Case Study at a Venture Capital Company. Procedia Manufacturing, 4, 237–243.
Wright, M., & Lockett, A. (2003). The Structure and Management of Alliances: Syndication in the Venture Capital Industry. Journal of Management Studies, 40(8), 2073–2102.
Yuanjun, Z., & Zengrui, T. (2016). Research on Evaluation of Venture Capital Fund Project Based on Data Envelopment Analysis Model. Journal of Computational and Theoretical Nanoscience, 13(2), 1266–1274.
Zhang, X. (2012a). Venture Capital Investment Base on Grey Relational Theory. Physics Procedia, 33, 1825–1832.
Zhang, X. (2012b). Venture capital investment selection decision-making base on fuzzy theory. Physics Procedia, 25(2007), 1369–1375.
Zopounidis, C., & Doumpos, M. (2002). Multi-criteria decision aid in financial decision making: methodologies and literature review. Journal of Multi-Criteria Decision Analysis, 11(4–5), 167–186.
Zopounidis, C., & Doumpos, M. (2013). Multicriteria decision systems for financial problems. Top, 21(2), 241–261.

آمار
تعداد مشاهده مقاله: 1,055
تعداد دریافت فایل اصل مقاله: 1,111





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب