پایان نامه – انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري – متن کامل تر
در یکی از پست های قبلی بر روی وبسایت محاسبات تکاملی، بخش هایی کوتاه از پایان نامه آقای آرش طالبی تحت عنوان “انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري و مقایسه ی آن با سبدهای تشکیلیِ خبرگان و تازه کارها در بازار بورس اوراق بهادار تهران” را منتشر کردیم. همانگونه که در آن پست، وعده انتشار بخش های تکمیل تری از این پایانه را داده بودیم، در این پست می خواهیم، قسمت هایی تکمیلی این کار با ارزش را منتشر کنیم. اگر علاقه مند به مطالعه و تحقیق در این زمینه هستنید، با ما در ادامه این پست، همراه باشید.
چکيده
در قياس با رشد روز افزون استفاده از پورتفوي ها و نيز با وجود ادبيات غني آن، همچنان موضوعات و سؤالات بي پاسخ فراواني در اين زمينه وجود دارد. همچنین، بازارهای بورس ایران، به عنوان بازارهایی رو به رشد، نیازمند پژوهش های بومی در پاسخ به این سؤالات و موضوعات می باشد. هدف از اين پژوهش، ارائه ي ابزاري مفيد و كارا براي كمك به متخصصين و محققين، در تئوريِ انتخاب پورتفوي است. پژوهش، ضمن بررسي جامع ادبیات موضوع و پیشرفت ها و گسترش های صورت پذیرفته در زمینه ی انتخاب و بهینه سازی پورتفوی، به مروری بر انواع مسائل و روش هاي بهينه سازي پرداخته، با مناسب تشخیص دادن روش های ابتکاری، به اعمال چهار الگوريتم ابتكاري جدید و پُر کاربرد ژنتیک، ترکیب ژنتیک و نلدر-مید، گروه ذرات(کوچ پرندگان) و رقابت استعماری بر مسئله ی بهینه سازی پورتفوی در بازار بورس اوراق بهادار تهران و از بین سهام 50 شرکت برتر می پردازد؛ تا سبدهایی بهینه، دارای ریسک کمینه و بازده بیشینه –به طور همزمان- را انتخاب نماید. همچنین، در این پژوهش، جهت دستیابی به نتایجی در زمینه ی چگونگی گزارشگری نرخ بازدهی، برای اثربخشی و کارایی بالاتر (بازدهی ماهانه در مقابل سالانه) به تشکیل دو پورتفوی مختلف با استفاده از هر الگوریتم و به کمک ورودی های سالانه و ماهانه پرداخته می شود. در ادامه، جهت سنجش و مقایسه ی عملکرد سه گروه الگوریتم ها، خبرگان و نیز تازه کارهای بازار بورس با یکدیگر، با ارائه ی تعریفی از دو گروه آخِر، به جمع آوری سبدهای منتخب آن ها توسط پرسشنامه ، پرداخته خواهد شد. کلّیه ی پورتفوی های پژوهش، یعنی هشت سبد منتخب الگوریتم ها، چهل سبد منتخب کارگزاران به عنوان نمونه ی خبرگان و چهل و سه سبد منتخب سرمایه گذاران فردیِ حاضر در تالار بورس به عنوان نمونه ی تازه کارها، در شرایط واقعی بازار بر دوره ای شش ماهه که از آن با عنوان دوره ی آزمون یاد می شود، اعمال می گردند؛ به عبارت دیگر، به طور فرضی امّا در بازار واقعی، طبق این پورتفوی ها، سهام خریداری و به مدت شش ماه با استراتژی منفعلانه، نگهداری می شوند. در نهایت، عملکرد هر سه گروه بر اساس مقیاس های تعدیل شده بر مبنای ریسک برای سنجش عملکرد پورتفوی، محاسبه شده، بر اساس فرضیات اصلی و فرعی پژوهش، مورد آزمون آماری تحلیل واریانس تک-عاملی و آزمون تعقیبی شِفِه قرار می گیرند تا مقایسه های آماری، بین متوسط عملکرد این سه گروه صورت پذیرد. نتايج آشكار مي سازند كه تفاوت معناداری بین متوسط عملکرد سبدهای منتخب خبرگان و متوسط عملکرد الگوریتم ها وجود ندارد، همچنین هر دو رویکرد، در دوره ی آزمون، به طور متوسط بهتر از پورتفوی بازار عمل نموده، به بازدهی بالاتری دست یافته اند. سرعت همگرایی الگوریتم ها در رسیدن به پاسخ بهینه نیز، مناسب و معقول می باشد. امّا متوسط عملکرد تازه کارها، با متوسط عملکرد این دو رویکرد تفاوت معناداری دارد، به طوری که در بررسی های آزمون تعقیبی شِفِه، مشخص شد که متوسط عملکرد خبرگان و الگوریتم ها، در سطح معناداری بهتر از عملکرد تازه کارها بوده است. متغیرِ نوع اطلاعات ورودی (ماهانه یا سالانه) نیز، تأثیر معناداری بر عملکرد سبدها ایجاد نکرده بود. با توجه به این یافته ها، نتیجه گیری های پژوهش عبارتند از موارد ذیل: اوّلاً، از آنجا که عملکرد الگوریتم ها و سازگاری آن ها با حل مسئله ی پورتفوی تأیید شد، به خبرگان که هم اکنون جهت تشکیل سبد به صرف منابع هنگفت مالی، انسانی و … می پردازند، استفاده از روش های پژوهش به شدّت توصیه می شود، و بدینوسیله، خبرگان قادر به دستیابی به اثربخشی یکسان و کارایی بالاتر خواهند بود. ثانیاً، با توجه به مزایای عمده ی تشکیل پورتفوی، آماتورها به تشکیل و نگهداری پورتفوی تشویق می شوند، امّا از آنجا که در پژوهش، نشان داده شد که مهارتی در این امر ندارند، استفاده از الگوریتم های پژوهش، دست کم در بدو امر، برای آن ها رویکردی هوشمندانه است. بخشی از آن ها که توان مالیِ خرید و نگهداری سبدی سهام را ندارند نیز، به خرید سهام شرکت های سرمایه گذاری رهنمون می شوند تا به طور غیرِمستقیم، صاحب پورتفوی شوند. ثالثاً، با توجه به عملکرد یکسان سبدهای منتخب اطلاعات ماهانه و سالانه، استفاده از اطلاعات سالانه، به دلیل حجم محاسباتی پایین تر و بنابراین کارایی بالاتر و با حفظ اثربخشی یکسان، در مقایسه با همتاهای ماهانه، به سرمایه گذاران و پژوهشگران توصیه می شود. در نهایت، با توجه به آن که الگوریتم ها صرفاً از اطلاعات تاریخی جهت تشکیل پورتفوی استفاده نمودند، و عملکرد قابل قبولی در مقایسه با پورتفوی بازار و خبرگان داشتند، شکل ضعیف فرضیه ی بازار کارا که بیانگر هضم و انعکاس اطلاعات تاریخی در قیمت سهام است، در بازار بورس تهران زیر سؤال رفته، تا حد زیادی مورد تردید قرار می گیرد.
دسته بندی بر اساس ژورنال های ادبیات اقتصادی (JEL classification): G11 ; C63 ; C61
واژگان كليدي: مديريت و بهینه سازی پورتفوی (سبد سهام)، تئوري مدرن پورتفوي، بهینه سازی ابتکاری و تکاملی، الگوريتم ژنتيك، الگوریتم ترکیبی ژنتیک و نلدر-ميد، الگوریتم گروه ذرات (PSO)، الگوریتم رقابت استعماری، خبرگان بورس، تازه کارهای بورس.
دسته بندی بر اساس ژورنال های ادبیات اقتصادی (JEL classification): G11 ; C63 ; C61
واژگان كليدي: مديريت و بهینه سازی پورتفوی (سبد سهام)، تئوري مدرن پورتفوي، بهینه سازی ابتکاری و تکاملی، الگوريتم ژنتيك، الگوریتم ترکیبی ژنتیک و نلدر-ميد، الگوریتم گروه ذرات (PSO)، الگوریتم رقابت استعماری، خبرگان بورس، تازه کارهای بورس.
فهرست مطالب
چکيده IV
فهرست مقالات مستخرج از پايان نامه VII
فهرست اشکال XVI
فهرست جداول XVIII
فصل اوّل: کلّیات تحقیق 20
1-1) مقدمه 2
1-2) بیان مسئله.
1-3) ضرورت، اهمیّت و توجیه انجام تحقیق.
1-4) هدف تحقیق.
1-5) تبیین سؤالات و فرضیات تحقیق.
1-5-1) سؤالات تحقیق.
1-5-2) فرضیّات تحقیق.
1-5-2-1) فرضیّات اصلی.
1-6) روش تحقیق.
1-6-1) رویکرد روش های ابتکاری برای حل مسئله.
1-6-2) متدولوژی.
1-7) قلمرو تحقیق.
1-8) تحقیقات مشابه.
1-9) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش.
1-10) نوآوری و جنبه های جدید پژوهش.
1-11) تعریف مختصر اصطلاحات، مفاهیم و واژه های تخصصی.
فصل دوم: ادبیّات موضوع و پیشینه ی تحقیق 20
2-1) مقدمه.
2-2) تعریف گسترده ی اصطلاحات، مفاهیم و واژه های تخصصی.
2-3) انواع ریسک و منشأ آن ها.
2-3-1) دسته بندی ریسک از دیدگاه سرمایهگذاری سنّتی.
2-3-1-1) ریسک نرخ بهره.
2-3-1-2) ریسک نقدشوندگی.
2-3-1-3) ریسک قدرت خرید.
2-3-1-4) ریسک بازار.
2-3-1-5) ریسک تجاری.مطالچکيده IV
فهرست مقالات مستخرج از پايان نامه VII
فهرست اشکال XVI
فهرست جداول XVIII
فصل اوّل: کلّیات تحقیق 20
1-1) مقدمه 2
1-2) بیان مسئله
1-3) ضرورت، اهمیّت و توجیه انجام تحقیق
1-4) هدف تحقیق
1-5) تبیین سؤالات و فرضیات تحقیق
1-5-1) سؤالات تحقیق
1-5-2) فرضیّات تحقیق
1-5-2-1) فرضیّات اصلی
1-6) روش تحقیق
1-6-1) رویکرد روش های ابتکاری برای حل مسئله
1-6-2) متدولوژی
1-7) قلمرو تحقیق
1-8) تحقیقات مشابه
1-9) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش
1-10) نوآوری و جنبه های جدید پژوهش
1-11) تعریف مختصر اصطلاحات، مفاهیم و واژه های تخصصی
فصل دوم: ادبیّات موضوع و پیشینه ی تحقیق 20
2-1) مقدمه
2-2) تعریف گسترده ی اصطلاحات، مفاهیم و واژه های تخصصی
2-3) انواع ریسک و منشأ آن ها
2-3-1) دسته بندی ریسک از دیدگاه سرمایهگذاری سنّتی
2-3-1-1) ریسک نرخ بهره
2-3-1-2) ریسک نقدشوندگی
2-3-1-3) ریسک قدرت خرید
2-3-1-4) ریسک بازار
2-3-1-5) ریسک تجاری
2-3-2) دیدگاه دیگر به ریسک؛ ریسک سرمایهگذاری
2-3-2-1) ریسک سیستماتیک
2-3-2-2) ریسک غیرسیستماتیک (فرابازار، باقیمانده یا پسماند بازار)
2-3-3) کاهش ریسک سرمایه گذاری
2-3-3-1) کاهش و حذف ریسک غیرسیستماتیک
2-3-3-2) کاهش ریسک سیستماتیک
2-4) نظریه ی جدید پورتفوی
2-4-1) مدل ماركويتز: تاریخچه، شرح، تفسیر و فرضیات بنیادین
2-4-1-1) بازده مورد انتظار پورتفوی
2-4-1-2) ریسک پورتفوی
2-4-1-3) پردازش وقایع سپری شده در برابر پردازش وقایع آتی
2-4-1-4) فرضیات بنیادین مدل مارکویتز
2-5) فرآیند انتخاب سرمایه گذاری از دیدگاهِ MPT
2-6) بهینه سازی پورتفوی
2-7) گسترش های مدل مارکویتز و مروری بر پیشینه ی تحقیقات مربوط
2-7-1) مدل قیمت گذاری دارایی های سرمایه ای (CAPM)، مدل بازار و تئوری قیمت گذاری آربیتراژ (APT)
2-7-2) مدل تک-شاخصی و چند-شاخصی
2-7-3) مدل برنامه ریزی خطی عدد صحیح مختلط
2-7-4) مدل برنامه ریزی غیر خطی عدد صحیح مختلط
2-7-5) مدل مارکویتز با ورودی های فازی-تصادفی
2-7-6) گسترش مدل مارکویتز با رویکرد مباحث رفتار مالی
2-7-7) پژوهش های انجام گرفته در ایران
2-7-7-1) شبكه هاي عصبي براي انتخاب سرمايه گذاري
2-7-7-2) الگوريتم ژنتيك براي انتخاب پورتفوی بهینه
2-7-7-3) انتخاب پورتفوی بهینه با استفاده از ارزش در معرض ريسك به عنوان معیار ریسک
2-7-7-4) رویکرد فازی براي انتخاب پورتفوی بهینه
2-7-7-5) رویکرد برنامه ریزی آرمانی براي انتخاب پورتفوی بهینه
2-8) اندازه گیری عملکرد سبد سهام (سبد سرمایه گذاری)
2-8-1) مقدمه
2-8-2) چارچوب ارزیابی عملکرد سبد سهام
2-8-3) روش های ارزیابی عملکرد سبد سهام، تعدیل شده بر مبنای ریسک، به همراه مقایسه ی روش ها و موانع ارزیابی
2-8-3-1) مقیاس نسبت پاداش به تغییرپذیری (RVAR یا معیار شارپ)
2-8-3-2) مقیاس نسبت پاداش به نوسان پذیری (RVOL)
2-8-3-3) مقیاس بازده تفاضلی جِنسِن
2-8-3-4) مقیاس M2
2-8-3-5) مقیاس نسبت ارزیابی
2-8-3-6) مقایسه ی مقیاس های مرکّب
2-8-3-7) مشکلات، موانع و محدودیت های اندازه گیری عملکرد سبد سرمایه گذاری
2-9) بهينه سازي
2-9-1) مقدمه
2-9-2) انواع مسائل بهينه سازي و تقسیم بندی آن ها
2-9-2-1) بهینه سازی با سعی و خطا
2-9-2-2) بهینه سازی با تابع
2-9-2-3) بهینه سازی تک بُعدی و چند بُعدی
2-9-2-4) بهینه سازی پویا و بهینه سازی ایستا
2-9-2-5) بهینه سازی مقید و نامقید
2-9-2-6) بهینه سازی پیوسته و گسسته
2-9-2-7) بهینه سازی تک معیاره و چند معیاره
2-9-3) انواع ابزارها و روش هاي بهينه سازي
2-9-3-1) کلاسیک ها
2-9-3-2) روش هاي ابتكاري
فصل سوم: روش تحقیق 20
3-1) مقدمه
3-2) الگوريتم ژنتيك
3-2-1) الگوريتم ژنتیک چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-2-2) عملگرهای ژنتیک
3-2-2-1) عملگر تولید مثل
3-2-3) مؤلفه هاي ژنتيك
3-3) الگوريتم نلدر-ميد
3-3-1) الگوريتم نلدر-ميد چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-3-2) مروری بر روش عملكرد الگوريتم نلدر-ميد
3-4) ترکیب (هيبريد) ژنتيك و نلدر-ميد
3-5) الگوريتم گروه ذرات (انبوه ذرات یا کوچ پرندگان)
3-5-1) الگوريتم گروه ذرات چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-5-2) مروری بر روش عملكرد PSO
3-5-3) توصیف الگوریتمیزه یا شبه کد PSO
3-6) الگوریتم رقابت استعماری 20
3-6-1) الگوريتم رقابت استعماری چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی 20
3-6-2) مروری بر روش عملكرد رقابت استعماری و مفاهیم اساسی آن 20
3-6-2-1) مروري تاريخي بر پديده ی استعمار 20
3-6-2-2) مروري بر اصول و نحوه ی عملکرد الگوریتم رقابت استعماری 20
3-7) سؤالات و فرضیات تحقیق
3-7-1) سؤالات تحقیق
3-7-2) فرضیّات تحقیق
3-7-2-1) فرضیّات اصلی
3-8) متغیرهای مورد استفاده
3-8-1) علّت انتخاب مقیاس شارپ برای ارزیابی عملکرد پورتفوی ها
3-9) جامعه ی آماری
3-9-1) جامعه ی آماری شرکت های بازار بورس جهت تشکیل سبد از بین سهام آن
3-9-1-1) نمونه ی آماریِ شرکت های بازار بورس تهران جهت تشکیل سبد
3-9-2) جامعه ی آماری خبرگان بازار بورس تهران
3-9-2-1) نمونه ی آماری خبرگان بازار بورس تهران
3-9-2-1-1) تعیین اندازه ی نمونه
3-9-2-1-1-1) روش سریع امّا غیر دقیق
3-9-2-1-1-2) قضیه ی حد مرکزی
3-9-2-1-1-3) روابط آماری 118
3-9-2-1-1-3-1) نمونه گیری با جایگذاری از یک جامعه ی محدود و یا بدون جایگذاری از یک جامعه ی نامحدود 118
3-9-2-1-1-3-2) نمونه گیری بدون جایگذاری از یک جامعه ی محدود 118
3-9-2-1-1-3-2-1) روش های برآورد انحراف معیار جامعه 119
3-9-2-1-2) روش نمونه گیری 121
3-9-3) جامعه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1) نمونه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1-1) تعیین اندازه ی نمونه 122
3-9-3-1-2) روش نمونه گیری 123
3-10) اطلاعات و داده ها
3-10-1) اطلاعات نرخ بازده و ریسک سالانه ی پنجاه شرکت برتر
3-10-2) اطلاعات نرخ بازده ریسک ماهانه ی پنجاه شرکت برتر
3-10-3) اطلاعات نرخ بازده ماهانه ی پنجاه شرکت برتر برای آزمون سبدها
3-10-4) ابزار جمع آوري اطلاعات و داده ها
3-10-4-1) ابزار جمع آوري اطلاعات نرخ بازده
3-10-4-2) ابزار جمع آوري اطلاعات و داده های سبدهای تشکیلی خبرگان و آماتورها
3-11) قیود مسئله ی بهینه سازی پورتفوی
3-12) جزئیات روش تحقیق، نحوه ی محاسبات، تحلیل داده ها و آزمون فرضیات
3-12-1) انتخاب و چیستی آزمون آماری تحلیل-واریانس یک-طرفه (یا تک-عاملی)
3-12-1-1) انتخاب آزمون تعقیبی شِفِه
فصل چهارم: تجزیه و تحلیل اطلاعات و یافته های تحقیق 20
4-1) سبدهای حاصل از الگوریتم های ابتکاری و رتبه بندی درون گروهی
4-1-1) الگوریتم ژنتیک: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-2) الگوریتم ترکیبی ژنتیک_نلدر-مید: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-3) الگوریتم گروه ذرّات (PSO): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-4) الگوریتم رقابت استعماری (ICA): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه 20
4-1-5) رتبه بندی و مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف در تشکیل سبد 20
4-2) سبدهای تشکیلی خبرگان 20
4-3) سبدهای تشکیلی تازه کارها
4-4) آزمون فرضیات
4-4-1) تعریف فرض آماری و آزمون فرضیات
4-4-1-1) تعریف فرض آماری فرضیات اصلی
4-4-1-2) آزمون فرضیات اصلی
4-4-1-3) تعریف فرض آماری فرضیات فرعی و آزمون آن ها
4-5) پاسخ به سؤالات تحقیق 20
4-5-1) سؤال اوّل و پاسخ به آن 20
4-5-2) سؤالات دوم و سوم و پاسخ به آن ها 20
4-5-3) سؤال چهارم و پاسخ به آن 20
4-6) بحث و بررسی پیرامون یافته های پژوهش و توصیه هایی بر اساس یافته ها
فصل پنجم : خلاصه، نتیجه گیری و پیشنهادها 20
5-1) مقدمه و خلاصه ای از مسئله و یافته های پژوهش 20
5-2) نتیجه گیری 20
5-3) مقایسه ی یافته های پژوهش با تحقیقات مشابه 20
5-4) محدودیت های تحقیق 20
5-5) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش
5-6) نوآوری و جنبه های جدید پژوهش
5-7) پیشنهادهایی برای تحقیقات آتی
پیوست ها و ضمائم 20
پیوست الف) متن برنامه نویسی تابع هدف تحت بهینه سازی، الگوریتم ها و معیار شارپ
الف)1. تابع هدف
الف)2. بهینه ساز کوچ پرندگان
الف)3. بهینه ساز رقابت استعماری
الف)4. محاسبه ی بازده، انحراف معیار و نسبت شارپ در دوره ی آزمون
الف)5. محاسبه ی بازده مورد انتظار و ریسک پورتفوی
پیوست ب) شکل و رابطه ی ریاضی مثال هایی از توابع سه – بعدی نسبتاً پیچیده برای بهینه سازی
پیوست ج) فهرست 87 کارگزاری فعال در بازار بورس تهران، در قالب رتبه بندی مورخه ی 15 اسفندماه 1388، سازمان بورس اوراق بهادار تهران و معیارهای این رتبه بندی
ج)1. معیارهای رتبه بندی کارگزاری ها.
ج)2. فهرست و رتبه بندی کارگزاران.
پیوست د) جداول محاسبات مربوط به تعیین حجم نمونه به همراه فهرست کد منتخبان نمونه ی اوّلیه برای خبرگان و آماتورها.
د)1. خبرگان – حجم بر اساس متغیرهای سالانه
د)2. خبرگان – حجم بر اساس متغیرهای ماهانه
د)3. تازه کارها – حجم بر اساس متغیرهای سالانه
د)4. تازه کارها – حجم بر اساس متغیرهای ماهانه
د)5. فهرست اسامی کارگزاران منتخب به عنوان نمونه ی آماری
پیوست ه) نمونه ی پرسشنامه (جدول) جهت تشکیل سبد سهام از کارگزاران و آماتورهای بازار
پیوست و) جداول آماری خروجی تحلیل های نرم افزار SPSS
و)1. تحلیل واریانس تک – عاملی
و)2. جدول آزمون تعقیبی شِفِه
پیوست ز) نمونه ای از بازده و اطلاعات یک سهم (مثال: بانک اقتصاد نوین)
پیوست ح) مقاله ی “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران”، پژوهشی از مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، 1377.
منابع و مآخذ 237
الف) مراجع فارسي 20
ب ) مراجع انگليسي 202-3-2) دیدگاه دیگر به ریسک؛ ریسک سرمایهگذاری.
2-3-2-1) ریسک سیستماتیک.
2-3-2-2) ریسک غیرسیستماتیک (فرابازار، باقیمانده یا پسماند بازار).
2-3-3) کاهش ریسک سرمایه گذاری.
2-3-3-1) کاهش و حذف ریسک غیرسیستماتیک.
2-3-3-2) کاهش ریسک سیستماتیک.
2-4) نظریه ی جدید پورتفوی.
2-4-1) مدل ماركويتز: تاریخچه، شرح، تفسیر و فرضیات بنیادین.
2-4-1-1) بازده مورد انتظار پورتفوی.
2-4-1-2) ریسک پورتفوی.
2-4-1-3) پردازش وقایع سپری شده در برابر پردازش وقایع آتی.
2-4-1-4) فرضیات بنیادین مدل مارکویتز.
2-5) فرآیند انتخاب سرمایه گذاری از دیدگاهِ MPT.
2-6) بهینه سازی پورتفوی.
2-7) گسترش های مدل مارکویتز و مروری بر پیشینه ی تحقیقات مربوط.
2-7-1) مدل قیمت گذاری دارایی های سرمایه ای (CAPM)، مدل بازار و تئوری قیمت گذاری آربیتراژ (APT).
2-7-2) مدل تک-شاخصی و چند-شاخصی.
2-7-3) مدل برنامه ریزی خطی عدد صحیح مختلط.
2-7-4) مدل برنامه ریزی غیر خطی عدد صحیح مختلط.
2-7-5) مدل مارکویتز با ورودی های فازی-تصادفی.
2-7-6) گسترش مدل مارکویتز با رویکرد مباحث رفتار مالی.
2-7-7) پژوهش های انجام گرفته در ایران.
2-7-7-1) شبكه هاي عصبي براي انتخاب سرمايه گذاري.
2-7-7-2) الگوريتم ژنتيك براي انتخاب پورتفوی بهینه.
2-7-7-3) انتخاب پورتفوی بهینه با استفاده از ارزش در معرض ريسك به عنوان معیار ریسک.
2-7-7-4) رویکرد فازی براي انتخاب پورتفوی بهینه.
2-7-7-5) رویکرد برنامه ریزی آرمانی براي انتخاب پورتفوی بهینه.
2-8) اندازه گیری عملکرد سبد سهام (سبد سرمایه گذاری).
2-8-1) مقدمه.
2-8-2) چارچوب ارزیابی عملکرد سبد سهام.
2-8-3) روش های ارزیابی عملکرد سبد سهام، تعدیل شده بر مبنای ریسک، به همراه مقایسه ی روش ها و موانع ارزیابی.
2-8-3-1) مقیاس نسبت پاداش به تغییرپذیری (RVAR یا معیار شارپ).
2-8-3-2) مقیاس نسبت پاداش به نوسان پذیری (RVOL).
2-8-3-3) مقیاس بازده تفاضلی جِنسِن.
2-8-3-4) مقیاس M2.
2-8-3-5) مقیاس نسبت ارزیابی.
2-8-3-6) مقایسه ی مقیاس های مرکّب.
2-8-3-7) مشکلات، موانع و محدودیت های اندازه گیری عملکرد سبد سرمایه گذاری.
2-9) بهينه سازي.
2-9-1) مقدمه.
2-9-2) انواع مسائل بهينه سازي و تقسیم بندی آن ها.
2-9-2-1) بهینه سازی با سعی و خطا.
2-9-2-2) بهینه سازی با تابع.
2-9-2-3) بهینه سازی تک بُعدی و چند بُعدی.
2-9-2-4) بهینه سازی پویا و بهینه سازی ایستا.
2-9-2-5) بهینه سازی مقید و نامقید.
2-9-2-6) بهینه سازی پیوسته و گسسته.
2-9-2-7) بهینه سازی تک معیاره و چند معیاره .
2-9-3) انواع ابزارها و روش هاي بهينه سازي.
2-9-3-1) کلاسیک ها.
2-9-3-2) روش هاي ابتكاري.
فصل سوم: روش تحقیق 20
3-1) مقدمه.
3-2) الگوريتم ژنتيك.
3-2-1) الگوريتم ژنتیک چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-2-2) عملگرهای ژنتیک.
3-2-2-1) عملگر تولید مثل.
3-2-3) مؤلفه هاي ژنتيك.
3-3) الگوريتم نلدر-ميد.
3-3-1) الگوريتم نلدر-ميد چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-3-2) مروری بر روش عملكرد الگوريتم نلدر-ميد.
3-4) ترکیب (هيبريد) ژنتيك و نلدر-ميد.
3-5) الگوريتم گروه ذرات (انبوه ذرات یا کوچ پرندگان).
3-5-1) الگوريتم گروه ذرات چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-5-2) مروری بر روش عملكرد PSO.
3-5-3) توصیف الگوریتمیزه یا شبه کد PSO.
3-6) الگوریتم رقابت استعماری 20
3-6-1) الگوريتم رقابت استعماری چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی 20
3-6-2) مروری بر روش عملكرد رقابت استعماری و مفاهیم اساسی آن 20
3-6-2-1) مروري تاريخي بر پديده ی استعمار 20
3-6-2-2) مروري بر اصول و نحوه ی عملکرد الگوریتم رقابت استعماری 20
3-7) سؤالات و فرضیات تحقیق.
3-7-1) سؤالات تحقیق.
3-7-2) فرضیّات تحقیق.
3-7-2-1) فرضیّات اصلی.
3-8) متغیرهای مورد استفاده.
3-8-1) علّت انتخاب مقیاس شارپ برای ارزیابی عملکرد پورتفوی ها.
3-9) جامعه ی آماری.
3-9-1) جامعه ی آماری شرکت های بازار بورس جهت تشکیل سبد از بین سهام آن.
3-9-1-1) نمونه ی آماریِ شرکت های بازار بورس تهران جهت تشکیل سبد.
3-9-2) جامعه ی آماری خبرگان بازار بورس تهران.
3-9-2-1) نمونه ی آماری خبرگان بازار بورس تهران.
3-9-2-1-1) تعیین اندازه ی نمونه.
3-9-2-1-1-1) روش سریع امّا غیر دقیق.
3-9-2-1-1-2) قضیه ی حد مرکزی.
3-9-2-1-1-3) روابط آماری 118
3-9-2-1-1-3-1) نمونه گیری با جایگذاری از یک جامعه ی محدود و یا بدون جایگذاری از یک جامعه ی نامحدود 118
3-9-2-1-1-3-2) نمونه گیری بدون جایگذاری از یک جامعه ی محدود 118
3-9-2-1-1-3-2-1) روش های برآورد انحراف معیار جامعه 119
3-9-2-1-2) روش نمونه گیری 121
3-9-3) جامعه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1) نمونه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1-1) تعیین اندازه ی نمونه 122
3-9-3-1-2) روش نمونه گیری 123
3-10) اطلاعات و داده ها.
3-10-1) اطلاعات نرخ بازده و ریسک سالانه ی پنجاه شرکت برتر.
3-10-2) اطلاعات نرخ بازده ریسک ماهانه ی پنجاه شرکت برتر.
3-10-3) اطلاعات نرخ بازده ماهانه ی پنجاه شرکت برتر برای آزمون سبدها.
3-10-4) ابزار جمع آوري اطلاعات و داده ها.
3-10-4-1) ابزار جمع آوري اطلاعات نرخ بازده.
3-10-4-2) ابزار جمع آوري اطلاعات و داده های سبدهای تشکیلی خبرگان و آماتورها.
3-11) قیود مسئله ی بهینه سازی پورتفوی.
3-12) جزئیات روش تحقیق، نحوه ی محاسبات، تحلیل داده ها و آزمون فرضیات.
3-12-1) انتخاب و چیستی آزمون آماری تحلیل-واریانس یک-طرفه (یا تک-عاملی).
3-12-1-1) انتخاب آزمون تعقیبی شِفِه.
فصل چهارم: تجزیه و تحلیل اطلاعات و یافته های تحقیق 20
4-1) سبدهای حاصل از الگوریتم های ابتکاری و رتبه بندی درون گروهی.
4-1-1) الگوریتم ژنتیک: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-2) الگوریتم ترکیبی ژنتیک_نلدر-مید: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-3) الگوریتم گروه ذرّات (PSO): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-4) الگوریتم رقابت استعماری (ICA): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه 20
4-1-5) رتبه بندی و مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف در تشکیل سبد 20
4-2) سبدهای تشکیلی خبرگان 20
4-3) سبدهای تشکیلی تازه کارها.
4-4) آزمون فرضیات.
4-4-1) تعریف فرض آماری و آزمون فرضیات.
4-4-1-1) تعریف فرض آماری فرضیات اصلی.
4-4-1-2) آزمون فرضیات اصلی.
4-4-1-3) تعریف فرض آماری فرضیات فرعی و آزمون آن ها.
4-5) پاسخ به سؤالات تحقیق 20
4-5-1) سؤال اوّل و پاسخ به آن 20
4-5-2) سؤالات دوم و سوم و پاسخ به آن ها 20
4-5-3) سؤال چهارم و پاسخ به آن 20
4-6) بحث و بررسی پیرامون یافته های پژوهش و توصیه هایی بر اساس یافته ها.
فصل پنجم : خلاصه، نتیجه گیری و پیشنهادها 20
5-1) مقدمه و خلاصه ای از مسئله و یافته های پژوهش 20
5-2) نتیجه گیری 20
5-3) مقایسه ی یافته های پژوهش با تحقیقات مشابه 20
5-4) محدودیت های تحقیق 20
5-5) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش.
5-6) نوآوری و جنبه های جدید پژوهش.
5-7) پیشنهادهایی برای تحقیقات آتی.
پیوست ها و ضمائم 20
پیوست الف) متن برنامه نویسی تابع هدف تحت بهینه سازی، الگوریتم ها و معیار شارپ.
الف)1. تابع هدف.
الف)2. بهینه ساز کوچ پرندگان.
الف)3. بهینه ساز رقابت استعماری.
الف)4. محاسبه ی بازده، انحراف معیار و نسبت شارپ در دوره ی آزمون.
الف)5. محاسبه ی بازده مورد انتظار و ریسک پورتفوی.
پیوست ب) شکل و رابطه ی ریاضی مثال هایی از توابع سه – بعدی نسبتاً پیچیده برای بهینه سازی.
پیوست ج) فهرست 87 کارگزاری فعال در بازار بورس تهران، در قالب رتبه بندی مورخه ی 15 اسفندماه 1388، سازمان بورس اوراق بهادار تهران و معیارهای این رتبه بندی.
ج)1. معیارهای رتبه بندی کارگزاری ها..
ج)2. فهرست و رتبه بندی کارگزاران..
پیوست د) جداول محاسبات مربوط به تعیین حجم نمونه به همراه فهرست کد منتخبان نمونه ی اوّلیه برای خبرگان و آماتورها..
د)1. خبرگان – حجم بر اساس متغیرهای سالانه.
د)2. خبرگان – حجم بر اساس متغیرهای ماهانه.
د)3. تازه کارها – حجم بر اساس متغیرهای سالانه.
د)4. تازه کارها – حجم بر اساس متغیرهای ماهانه.
د)5. فهرست اسامی کارگزاران منتخب به عنوان نمونه ی آماری.
پیوست ه) نمونه ی پرسشنامه (جدول) جهت تشکیل سبد سهام از کارگزاران و آماتورهای بازار.
پیوست و) جداول آماری خروجی تحلیل های نرم افزار SPSS.
و)1. تحلیل واریانس تک – عاملی.
و)2. جدول آزمون تعقیبی شِفِه.
پیوست ز) نمونه ای از بازده و اطلاعات یک سهم (مثال: بانک اقتصاد نوین).
پیوست ح) مقاله ی “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران”، پژوهشی از مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، 1377..
منابع و مآخذ 237
الف) مراجع فارسي 20
ب ) مراجع انگليسي 20
فهرست مقالات مستخرج از پايان نامه VII
فهرست اشکال XVI
فهرست جداول XVIII
فصل اوّل: کلّیات تحقیق 20
1-1) مقدمه 2
1-2) بیان مسئله.
1-3) ضرورت، اهمیّت و توجیه انجام تحقیق.
1-4) هدف تحقیق.
1-5) تبیین سؤالات و فرضیات تحقیق.
1-5-1) سؤالات تحقیق.
1-5-2) فرضیّات تحقیق.
1-5-2-1) فرضیّات اصلی.
1-6) روش تحقیق.
1-6-1) رویکرد روش های ابتکاری برای حل مسئله.
1-6-2) متدولوژی.
1-7) قلمرو تحقیق.
1-8) تحقیقات مشابه.
1-9) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش.
1-10) نوآوری و جنبه های جدید پژوهش.
1-11) تعریف مختصر اصطلاحات، مفاهیم و واژه های تخصصی.
فصل دوم: ادبیّات موضوع و پیشینه ی تحقیق 20
2-1) مقدمه.
2-2) تعریف گسترده ی اصطلاحات، مفاهیم و واژه های تخصصی.
2-3) انواع ریسک و منشأ آن ها.
2-3-1) دسته بندی ریسک از دیدگاه سرمایهگذاری سنّتی.
2-3-1-1) ریسک نرخ بهره.
2-3-1-2) ریسک نقدشوندگی.
2-3-1-3) ریسک قدرت خرید.
2-3-1-4) ریسک بازار.
2-3-1-5) ریسک تجاری.مطالچکيده IV
فهرست مقالات مستخرج از پايان نامه VII
فهرست اشکال XVI
فهرست جداول XVIII
فصل اوّل: کلّیات تحقیق 20
1-1) مقدمه 2
1-2) بیان مسئله
1-3) ضرورت، اهمیّت و توجیه انجام تحقیق
1-4) هدف تحقیق
1-5) تبیین سؤالات و فرضیات تحقیق
1-5-1) سؤالات تحقیق
1-5-2) فرضیّات تحقیق
1-5-2-1) فرضیّات اصلی
1-6) روش تحقیق
1-6-1) رویکرد روش های ابتکاری برای حل مسئله
1-6-2) متدولوژی
1-7) قلمرو تحقیق
1-8) تحقیقات مشابه
1-9) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش
1-10) نوآوری و جنبه های جدید پژوهش
1-11) تعریف مختصر اصطلاحات، مفاهیم و واژه های تخصصی
فصل دوم: ادبیّات موضوع و پیشینه ی تحقیق 20
2-1) مقدمه
2-2) تعریف گسترده ی اصطلاحات، مفاهیم و واژه های تخصصی
2-3) انواع ریسک و منشأ آن ها
2-3-1) دسته بندی ریسک از دیدگاه سرمایهگذاری سنّتی
2-3-1-1) ریسک نرخ بهره
2-3-1-2) ریسک نقدشوندگی
2-3-1-3) ریسک قدرت خرید
2-3-1-4) ریسک بازار
2-3-1-5) ریسک تجاری
2-3-2) دیدگاه دیگر به ریسک؛ ریسک سرمایهگذاری
2-3-2-1) ریسک سیستماتیک
2-3-2-2) ریسک غیرسیستماتیک (فرابازار، باقیمانده یا پسماند بازار)
2-3-3) کاهش ریسک سرمایه گذاری
2-3-3-1) کاهش و حذف ریسک غیرسیستماتیک
2-3-3-2) کاهش ریسک سیستماتیک
2-4) نظریه ی جدید پورتفوی
2-4-1) مدل ماركويتز: تاریخچه، شرح، تفسیر و فرضیات بنیادین
2-4-1-1) بازده مورد انتظار پورتفوی
2-4-1-2) ریسک پورتفوی
2-4-1-3) پردازش وقایع سپری شده در برابر پردازش وقایع آتی
2-4-1-4) فرضیات بنیادین مدل مارکویتز
2-5) فرآیند انتخاب سرمایه گذاری از دیدگاهِ MPT
2-6) بهینه سازی پورتفوی
2-7) گسترش های مدل مارکویتز و مروری بر پیشینه ی تحقیقات مربوط
2-7-1) مدل قیمت گذاری دارایی های سرمایه ای (CAPM)، مدل بازار و تئوری قیمت گذاری آربیتراژ (APT)
2-7-2) مدل تک-شاخصی و چند-شاخصی
2-7-3) مدل برنامه ریزی خطی عدد صحیح مختلط
2-7-4) مدل برنامه ریزی غیر خطی عدد صحیح مختلط
2-7-5) مدل مارکویتز با ورودی های فازی-تصادفی
2-7-6) گسترش مدل مارکویتز با رویکرد مباحث رفتار مالی
2-7-7) پژوهش های انجام گرفته در ایران
2-7-7-1) شبكه هاي عصبي براي انتخاب سرمايه گذاري
2-7-7-2) الگوريتم ژنتيك براي انتخاب پورتفوی بهینه
2-7-7-3) انتخاب پورتفوی بهینه با استفاده از ارزش در معرض ريسك به عنوان معیار ریسک
2-7-7-4) رویکرد فازی براي انتخاب پورتفوی بهینه
2-7-7-5) رویکرد برنامه ریزی آرمانی براي انتخاب پورتفوی بهینه
2-8) اندازه گیری عملکرد سبد سهام (سبد سرمایه گذاری)
2-8-1) مقدمه
2-8-2) چارچوب ارزیابی عملکرد سبد سهام
2-8-3) روش های ارزیابی عملکرد سبد سهام، تعدیل شده بر مبنای ریسک، به همراه مقایسه ی روش ها و موانع ارزیابی
2-8-3-1) مقیاس نسبت پاداش به تغییرپذیری (RVAR یا معیار شارپ)
2-8-3-2) مقیاس نسبت پاداش به نوسان پذیری (RVOL)
2-8-3-3) مقیاس بازده تفاضلی جِنسِن
2-8-3-4) مقیاس M2
2-8-3-5) مقیاس نسبت ارزیابی
2-8-3-6) مقایسه ی مقیاس های مرکّب
2-8-3-7) مشکلات، موانع و محدودیت های اندازه گیری عملکرد سبد سرمایه گذاری
2-9) بهينه سازي
2-9-1) مقدمه
2-9-2) انواع مسائل بهينه سازي و تقسیم بندی آن ها
2-9-2-1) بهینه سازی با سعی و خطا
2-9-2-2) بهینه سازی با تابع
2-9-2-3) بهینه سازی تک بُعدی و چند بُعدی
2-9-2-4) بهینه سازی پویا و بهینه سازی ایستا
2-9-2-5) بهینه سازی مقید و نامقید
2-9-2-6) بهینه سازی پیوسته و گسسته
2-9-2-7) بهینه سازی تک معیاره و چند معیاره
2-9-3) انواع ابزارها و روش هاي بهينه سازي
2-9-3-1) کلاسیک ها
2-9-3-2) روش هاي ابتكاري
فصل سوم: روش تحقیق 20
3-1) مقدمه
3-2) الگوريتم ژنتيك
3-2-1) الگوريتم ژنتیک چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-2-2) عملگرهای ژنتیک
3-2-2-1) عملگر تولید مثل
3-2-3) مؤلفه هاي ژنتيك
3-3) الگوريتم نلدر-ميد
3-3-1) الگوريتم نلدر-ميد چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-3-2) مروری بر روش عملكرد الگوريتم نلدر-ميد
3-4) ترکیب (هيبريد) ژنتيك و نلدر-ميد
3-5) الگوريتم گروه ذرات (انبوه ذرات یا کوچ پرندگان)
3-5-1) الگوريتم گروه ذرات چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی
3-5-2) مروری بر روش عملكرد PSO
3-5-3) توصیف الگوریتمیزه یا شبه کد PSO
3-6) الگوریتم رقابت استعماری 20
3-6-1) الگوريتم رقابت استعماری چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی 20
3-6-2) مروری بر روش عملكرد رقابت استعماری و مفاهیم اساسی آن 20
3-6-2-1) مروري تاريخي بر پديده ی استعمار 20
3-6-2-2) مروري بر اصول و نحوه ی عملکرد الگوریتم رقابت استعماری 20
3-7) سؤالات و فرضیات تحقیق
3-7-1) سؤالات تحقیق
3-7-2) فرضیّات تحقیق
3-7-2-1) فرضیّات اصلی
3-8) متغیرهای مورد استفاده
3-8-1) علّت انتخاب مقیاس شارپ برای ارزیابی عملکرد پورتفوی ها
3-9) جامعه ی آماری
3-9-1) جامعه ی آماری شرکت های بازار بورس جهت تشکیل سبد از بین سهام آن
3-9-1-1) نمونه ی آماریِ شرکت های بازار بورس تهران جهت تشکیل سبد
3-9-2) جامعه ی آماری خبرگان بازار بورس تهران
3-9-2-1) نمونه ی آماری خبرگان بازار بورس تهران
3-9-2-1-1) تعیین اندازه ی نمونه
3-9-2-1-1-1) روش سریع امّا غیر دقیق
3-9-2-1-1-2) قضیه ی حد مرکزی
3-9-2-1-1-3) روابط آماری 118
3-9-2-1-1-3-1) نمونه گیری با جایگذاری از یک جامعه ی محدود و یا بدون جایگذاری از یک جامعه ی نامحدود 118
3-9-2-1-1-3-2) نمونه گیری بدون جایگذاری از یک جامعه ی محدود 118
3-9-2-1-1-3-2-1) روش های برآورد انحراف معیار جامعه 119
3-9-2-1-2) روش نمونه گیری 121
3-9-3) جامعه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1) نمونه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1-1) تعیین اندازه ی نمونه 122
3-9-3-1-2) روش نمونه گیری 123
3-10) اطلاعات و داده ها
3-10-1) اطلاعات نرخ بازده و ریسک سالانه ی پنجاه شرکت برتر
3-10-2) اطلاعات نرخ بازده ریسک ماهانه ی پنجاه شرکت برتر
3-10-3) اطلاعات نرخ بازده ماهانه ی پنجاه شرکت برتر برای آزمون سبدها
3-10-4) ابزار جمع آوري اطلاعات و داده ها
3-10-4-1) ابزار جمع آوري اطلاعات نرخ بازده
3-10-4-2) ابزار جمع آوري اطلاعات و داده های سبدهای تشکیلی خبرگان و آماتورها
3-11) قیود مسئله ی بهینه سازی پورتفوی
3-12) جزئیات روش تحقیق، نحوه ی محاسبات، تحلیل داده ها و آزمون فرضیات
3-12-1) انتخاب و چیستی آزمون آماری تحلیل-واریانس یک-طرفه (یا تک-عاملی)
3-12-1-1) انتخاب آزمون تعقیبی شِفِه
فصل چهارم: تجزیه و تحلیل اطلاعات و یافته های تحقیق 20
4-1) سبدهای حاصل از الگوریتم های ابتکاری و رتبه بندی درون گروهی
4-1-1) الگوریتم ژنتیک: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-2) الگوریتم ترکیبی ژنتیک_نلدر-مید: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-3) الگوریتم گروه ذرّات (PSO): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
4-1-4) الگوریتم رقابت استعماری (ICA): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه 20
4-1-5) رتبه بندی و مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف در تشکیل سبد 20
4-2) سبدهای تشکیلی خبرگان 20
4-3) سبدهای تشکیلی تازه کارها
4-4) آزمون فرضیات
4-4-1) تعریف فرض آماری و آزمون فرضیات
4-4-1-1) تعریف فرض آماری فرضیات اصلی
4-4-1-2) آزمون فرضیات اصلی
4-4-1-3) تعریف فرض آماری فرضیات فرعی و آزمون آن ها
4-5) پاسخ به سؤالات تحقیق 20
4-5-1) سؤال اوّل و پاسخ به آن 20
4-5-2) سؤالات دوم و سوم و پاسخ به آن ها 20
4-5-3) سؤال چهارم و پاسخ به آن 20
4-6) بحث و بررسی پیرامون یافته های پژوهش و توصیه هایی بر اساس یافته ها
فصل پنجم : خلاصه، نتیجه گیری و پیشنهادها 20
5-1) مقدمه و خلاصه ای از مسئله و یافته های پژوهش 20
5-2) نتیجه گیری 20
5-3) مقایسه ی یافته های پژوهش با تحقیقات مشابه 20
5-4) محدودیت های تحقیق 20
5-5) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش
5-6) نوآوری و جنبه های جدید پژوهش
5-7) پیشنهادهایی برای تحقیقات آتی
پیوست ها و ضمائم 20
پیوست الف) متن برنامه نویسی تابع هدف تحت بهینه سازی، الگوریتم ها و معیار شارپ
الف)1. تابع هدف
الف)2. بهینه ساز کوچ پرندگان
الف)3. بهینه ساز رقابت استعماری
الف)4. محاسبه ی بازده، انحراف معیار و نسبت شارپ در دوره ی آزمون
الف)5. محاسبه ی بازده مورد انتظار و ریسک پورتفوی
پیوست ب) شکل و رابطه ی ریاضی مثال هایی از توابع سه – بعدی نسبتاً پیچیده برای بهینه سازی
پیوست ج) فهرست 87 کارگزاری فعال در بازار بورس تهران، در قالب رتبه بندی مورخه ی 15 اسفندماه 1388، سازمان بورس اوراق بهادار تهران و معیارهای این رتبه بندی
ج)1. معیارهای رتبه بندی کارگزاری ها.
ج)2. فهرست و رتبه بندی کارگزاران.
پیوست د) جداول محاسبات مربوط به تعیین حجم نمونه به همراه فهرست کد منتخبان نمونه ی اوّلیه برای خبرگان و آماتورها.
د)1. خبرگان – حجم بر اساس متغیرهای سالانه
د)2. خبرگان – حجم بر اساس متغیرهای ماهانه
د)3. تازه کارها – حجم بر اساس متغیرهای سالانه
د)4. تازه کارها – حجم بر اساس متغیرهای ماهانه
د)5. فهرست اسامی کارگزاران منتخب به عنوان نمونه ی آماری
پیوست ه) نمونه ی پرسشنامه (جدول) جهت تشکیل سبد سهام از کارگزاران و آماتورهای بازار
پیوست و) جداول آماری خروجی تحلیل های نرم افزار SPSS
و)1. تحلیل واریانس تک – عاملی
و)2. جدول آزمون تعقیبی شِفِه
پیوست ز) نمونه ای از بازده و اطلاعات یک سهم (مثال: بانک اقتصاد نوین)
پیوست ح) مقاله ی “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران”، پژوهشی از مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، 1377.
منابع و مآخذ 237
الف) مراجع فارسي 20
ب ) مراجع انگليسي 202-3-2) دیدگاه دیگر به ریسک؛ ریسک سرمایهگذاری.
2-3-2-1) ریسک سیستماتیک.
2-3-2-2) ریسک غیرسیستماتیک (فرابازار، باقیمانده یا پسماند بازار).
2-3-3) کاهش ریسک سرمایه گذاری.
2-3-3-1) کاهش و حذف ریسک غیرسیستماتیک.
2-3-3-2) کاهش ریسک سیستماتیک.
2-4) نظریه ی جدید پورتفوی.
2-4-1) مدل ماركويتز: تاریخچه، شرح، تفسیر و فرضیات بنیادین.
2-4-1-1) بازده مورد انتظار پورتفوی.
2-4-1-2) ریسک پورتفوی.
2-4-1-3) پردازش وقایع سپری شده در برابر پردازش وقایع آتی.
2-4-1-4) فرضیات بنیادین مدل مارکویتز.
2-5) فرآیند انتخاب سرمایه گذاری از دیدگاهِ MPT.
2-6) بهینه سازی پورتفوی.
2-7) گسترش های مدل مارکویتز و مروری بر پیشینه ی تحقیقات مربوط.
2-7-1) مدل قیمت گذاری دارایی های سرمایه ای (CAPM)، مدل بازار و تئوری قیمت گذاری آربیتراژ (APT).
2-7-2) مدل تک-شاخصی و چند-شاخصی.
2-7-3) مدل برنامه ریزی خطی عدد صحیح مختلط.
2-7-4) مدل برنامه ریزی غیر خطی عدد صحیح مختلط.
2-7-5) مدل مارکویتز با ورودی های فازی-تصادفی.
2-7-6) گسترش مدل مارکویتز با رویکرد مباحث رفتار مالی.
2-7-7) پژوهش های انجام گرفته در ایران.
2-7-7-1) شبكه هاي عصبي براي انتخاب سرمايه گذاري.
2-7-7-2) الگوريتم ژنتيك براي انتخاب پورتفوی بهینه.
2-7-7-3) انتخاب پورتفوی بهینه با استفاده از ارزش در معرض ريسك به عنوان معیار ریسک.
2-7-7-4) رویکرد فازی براي انتخاب پورتفوی بهینه.
2-7-7-5) رویکرد برنامه ریزی آرمانی براي انتخاب پورتفوی بهینه.
2-8) اندازه گیری عملکرد سبد سهام (سبد سرمایه گذاری).
2-8-1) مقدمه.
2-8-2) چارچوب ارزیابی عملکرد سبد سهام.
2-8-3) روش های ارزیابی عملکرد سبد سهام، تعدیل شده بر مبنای ریسک، به همراه مقایسه ی روش ها و موانع ارزیابی.
2-8-3-1) مقیاس نسبت پاداش به تغییرپذیری (RVAR یا معیار شارپ).
2-8-3-2) مقیاس نسبت پاداش به نوسان پذیری (RVOL).
2-8-3-3) مقیاس بازده تفاضلی جِنسِن.
2-8-3-4) مقیاس M2.
2-8-3-5) مقیاس نسبت ارزیابی.
2-8-3-6) مقایسه ی مقیاس های مرکّب.
2-8-3-7) مشکلات، موانع و محدودیت های اندازه گیری عملکرد سبد سرمایه گذاری.
2-9) بهينه سازي.
2-9-1) مقدمه.
2-9-2) انواع مسائل بهينه سازي و تقسیم بندی آن ها.
2-9-2-1) بهینه سازی با سعی و خطا.
2-9-2-2) بهینه سازی با تابع.
2-9-2-3) بهینه سازی تک بُعدی و چند بُعدی.
2-9-2-4) بهینه سازی پویا و بهینه سازی ایستا.
2-9-2-5) بهینه سازی مقید و نامقید.
2-9-2-6) بهینه سازی پیوسته و گسسته.
2-9-2-7) بهینه سازی تک معیاره و چند معیاره .
2-9-3) انواع ابزارها و روش هاي بهينه سازي.
2-9-3-1) کلاسیک ها.
2-9-3-2) روش هاي ابتكاري.
فصل سوم: روش تحقیق 20
3-1) مقدمه.
3-2) الگوريتم ژنتيك.
3-2-1) الگوريتم ژنتیک چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-2-2) عملگرهای ژنتیک.
3-2-2-1) عملگر تولید مثل.
3-2-3) مؤلفه هاي ژنتيك.
3-3) الگوريتم نلدر-ميد.
3-3-1) الگوريتم نلدر-ميد چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-3-2) مروری بر روش عملكرد الگوريتم نلدر-ميد.
3-4) ترکیب (هيبريد) ژنتيك و نلدر-ميد.
3-5) الگوريتم گروه ذرات (انبوه ذرات یا کوچ پرندگان).
3-5-1) الگوريتم گروه ذرات چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی.
3-5-2) مروری بر روش عملكرد PSO.
3-5-3) توصیف الگوریتمیزه یا شبه کد PSO.
3-6) الگوریتم رقابت استعماری 20
3-6-1) الگوريتم رقابت استعماری چیست و علّت انتخاب این الگوریتم برای بهینه سازی پورتفوی 20
3-6-2) مروری بر روش عملكرد رقابت استعماری و مفاهیم اساسی آن 20
3-6-2-1) مروري تاريخي بر پديده ی استعمار 20
3-6-2-2) مروري بر اصول و نحوه ی عملکرد الگوریتم رقابت استعماری 20
3-7) سؤالات و فرضیات تحقیق.
3-7-1) سؤالات تحقیق.
3-7-2) فرضیّات تحقیق.
3-7-2-1) فرضیّات اصلی.
3-8) متغیرهای مورد استفاده.
3-8-1) علّت انتخاب مقیاس شارپ برای ارزیابی عملکرد پورتفوی ها.
3-9) جامعه ی آماری.
3-9-1) جامعه ی آماری شرکت های بازار بورس جهت تشکیل سبد از بین سهام آن.
3-9-1-1) نمونه ی آماریِ شرکت های بازار بورس تهران جهت تشکیل سبد.
3-9-2) جامعه ی آماری خبرگان بازار بورس تهران.
3-9-2-1) نمونه ی آماری خبرگان بازار بورس تهران.
3-9-2-1-1) تعیین اندازه ی نمونه.
3-9-2-1-1-1) روش سریع امّا غیر دقیق.
3-9-2-1-1-2) قضیه ی حد مرکزی.
3-9-2-1-1-3) روابط آماری 118
3-9-2-1-1-3-1) نمونه گیری با جایگذاری از یک جامعه ی محدود و یا بدون جایگذاری از یک جامعه ی نامحدود 118
3-9-2-1-1-3-2) نمونه گیری بدون جایگذاری از یک جامعه ی محدود 118
3-9-2-1-1-3-2-1) روش های برآورد انحراف معیار جامعه 119
3-9-2-1-2) روش نمونه گیری 121
3-9-3) جامعه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1) نمونه ی آماری تازه کارهای (آماتورهای) بازار بورس تهران 122
3-9-3-1-1) تعیین اندازه ی نمونه 122
3-9-3-1-2) روش نمونه گیری 123
3-10) اطلاعات و داده ها.
3-10-1) اطلاعات نرخ بازده و ریسک سالانه ی پنجاه شرکت برتر.
3-10-2) اطلاعات نرخ بازده ریسک ماهانه ی پنجاه شرکت برتر.
3-10-3) اطلاعات نرخ بازده ماهانه ی پنجاه شرکت برتر برای آزمون سبدها.
3-10-4) ابزار جمع آوري اطلاعات و داده ها.
3-10-4-1) ابزار جمع آوري اطلاعات نرخ بازده.
3-10-4-2) ابزار جمع آوري اطلاعات و داده های سبدهای تشکیلی خبرگان و آماتورها.
3-11) قیود مسئله ی بهینه سازی پورتفوی.
3-12) جزئیات روش تحقیق، نحوه ی محاسبات، تحلیل داده ها و آزمون فرضیات.
3-12-1) انتخاب و چیستی آزمون آماری تحلیل-واریانس یک-طرفه (یا تک-عاملی).
3-12-1-1) انتخاب آزمون تعقیبی شِفِه.
فصل چهارم: تجزیه و تحلیل اطلاعات و یافته های تحقیق 20
4-1) سبدهای حاصل از الگوریتم های ابتکاری و رتبه بندی درون گروهی.
4-1-1) الگوریتم ژنتیک: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-2) الگوریتم ترکیبی ژنتیک_نلدر-مید: سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-3) الگوریتم گروه ذرّات (PSO): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه.
4-1-4) الگوریتم رقابت استعماری (ICA): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه 20
4-1-5) رتبه بندی و مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف در تشکیل سبد 20
4-2) سبدهای تشکیلی خبرگان 20
4-3) سبدهای تشکیلی تازه کارها.
4-4) آزمون فرضیات.
4-4-1) تعریف فرض آماری و آزمون فرضیات.
4-4-1-1) تعریف فرض آماری فرضیات اصلی.
4-4-1-2) آزمون فرضیات اصلی.
4-4-1-3) تعریف فرض آماری فرضیات فرعی و آزمون آن ها.
4-5) پاسخ به سؤالات تحقیق 20
4-5-1) سؤال اوّل و پاسخ به آن 20
4-5-2) سؤالات دوم و سوم و پاسخ به آن ها 20
4-5-3) سؤال چهارم و پاسخ به آن 20
4-6) بحث و بررسی پیرامون یافته های پژوهش و توصیه هایی بر اساس یافته ها.
فصل پنجم : خلاصه، نتیجه گیری و پیشنهادها 20
5-1) مقدمه و خلاصه ای از مسئله و یافته های پژوهش 20
5-2) نتیجه گیری 20
5-3) مقایسه ی یافته های پژوهش با تحقیقات مشابه 20
5-4) محدودیت های تحقیق 20
5-5) کاربردهای تحقیق و استفاده کنندگان از نتایج پژوهش.
5-6) نوآوری و جنبه های جدید پژوهش.
5-7) پیشنهادهایی برای تحقیقات آتی.
پیوست ها و ضمائم 20
پیوست الف) متن برنامه نویسی تابع هدف تحت بهینه سازی، الگوریتم ها و معیار شارپ.
الف)1. تابع هدف.
الف)2. بهینه ساز کوچ پرندگان.
الف)3. بهینه ساز رقابت استعماری.
الف)4. محاسبه ی بازده، انحراف معیار و نسبت شارپ در دوره ی آزمون.
الف)5. محاسبه ی بازده مورد انتظار و ریسک پورتفوی.
پیوست ب) شکل و رابطه ی ریاضی مثال هایی از توابع سه – بعدی نسبتاً پیچیده برای بهینه سازی.
پیوست ج) فهرست 87 کارگزاری فعال در بازار بورس تهران، در قالب رتبه بندی مورخه ی 15 اسفندماه 1388، سازمان بورس اوراق بهادار تهران و معیارهای این رتبه بندی.
ج)1. معیارهای رتبه بندی کارگزاری ها..
ج)2. فهرست و رتبه بندی کارگزاران..
پیوست د) جداول محاسبات مربوط به تعیین حجم نمونه به همراه فهرست کد منتخبان نمونه ی اوّلیه برای خبرگان و آماتورها..
د)1. خبرگان – حجم بر اساس متغیرهای سالانه.
د)2. خبرگان – حجم بر اساس متغیرهای ماهانه.
د)3. تازه کارها – حجم بر اساس متغیرهای سالانه.
د)4. تازه کارها – حجم بر اساس متغیرهای ماهانه.
د)5. فهرست اسامی کارگزاران منتخب به عنوان نمونه ی آماری.
پیوست ه) نمونه ی پرسشنامه (جدول) جهت تشکیل سبد سهام از کارگزاران و آماتورهای بازار.
پیوست و) جداول آماری خروجی تحلیل های نرم افزار SPSS.
و)1. تحلیل واریانس تک – عاملی.
و)2. جدول آزمون تعقیبی شِفِه.
پیوست ز) نمونه ای از بازده و اطلاعات یک سهم (مثال: بانک اقتصاد نوین).
پیوست ح) مقاله ی “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران”، پژوهشی از مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، 1377..
منابع و مآخذ 237
الف) مراجع فارسي 20
ب ) مراجع انگليسي 20
فصل چهارم این کار با ارزش را در ادامه می بینیم.
فصل چهارم – تجزیه و تحلیل اطلاعات و یافته های تحقیق
4-1-4) الگوریتم رقابت استعماری (ICA): سبدهای منتخب، پارامترهای بهینه و نمودارهای تابع ارزیابی برای رسیدن به پاسخ بهینه
جدول 4-10، پارامترهای الگوریتم رقابت استعماری، سازگار با مسئلهی پورتفوی را نشان میدهد.
جدول 4-10. پارامترهای رقابت استعماری، سازگار با مسئله ی بهینه سازی پورتفوی
|
تعداد کل مستعمرات
|
500
|
ضريب ميرايي
|
99/0
|
|
تعداد استعمارگران
|
10
|
ضريب اتحاد امپراطوريها
|
02/0
|
|
پارامتر نرخ انقلاب مستعمرات
|
3/0
|
تعداد نسلها
|
3500 سالانه/ 10000 ماهانه
|
|
ضريب جذب و همگونسازي مستعمرات
|
2
|
محدوديت و تأخير زماني (شرط توقف)
|
نامحدود
|
|
زاويهي ضريب جذب و همگونسازي مستعمرات
|
5/0
|
محدوديت تعداد نسل (شرط توقف)
|
نامحدود
|
|
ضريب تأثير قدرت مستعمرات در قدرت کل امپراطوري، زتا ξ
|
02/0
|
محدوديت دقت تغيير در تابع هدف (شرط توقف)
|
6-10
|
شکلهای 4-7 و 4-8 مسير پيموده شده توسط تابع ارزيابي براي رسيدن به نقطهي بهينه را توسط الگوریتم رقابت استعماری و به تفکیک نوع اطلاعاتی که الگوریتم استفاده نموده است، نشان ميدهند. شکل 4-7 نمودار تابع ارزیابی بر اساس اطلاعات ورودی ماهانه، و شکل 4-8 نمودار تابع ارزیابی بر اساس اطلاعات ورودی سالانه است.
همچنین، جداول 4-11 و 4-12 نیز به ترتیب پورتفوی منتخب رقابت استعماری ماهانه و رقابت استعماری سالانه را نشان میدهند. اعداد جداول بيانگر اوّلاً سهامي كه بايد در پورتفوی انتخاب شوند و ثانياً مقدار هر سهم در پورتفوي ميباشند.
جداول 4-13 و 4-14 نیز به ترتیب پورتفوی منتخب هر چهار الگوریتم ابتکاری را در کنار یکدیگر، با دادههای ماهانه، و سالانه، نشان میدهند. همچنین، جدول 4-15 نتایج بازده مورد انتظار و ریسک پورتفویهای منتخب الگوریتمها، به همراه متوسط بازده اکتسابی این سبدها در دورهی شش ماههی آزمون و نیز به تفکیک هر ماه، انحراف معیار بازده دورهی آزمون و عدد عملکرد سبدها بر اساس معیار شارپ یا RVAR، را نمایش میدهد .
شكل 4-7. نمودار مسیر تابع ارزیابی بر اساس رقابت استعماری، ماهانه
شكل 4-8. نمودار مسیر تابع ارزیابی بر اساس رقابت استعماری، سالانه
جدول 4-11. سهام و نسبت سهام (درصد) در پورتفوی الگوريتم رقابت استعماری، بر اساس اطلاعات بازده ماهانه
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
|
0
|
35.فرآورده هاي نسوز آذر
|
0
|
18.سر. پتروشيمي
|
66/6
|
1. ايران خودرو
|
|
25/1
|
36.کالسيمين
|
0
|
19.سر. توسعه صنعتي
|
0
|
2.ايران خودرو ديزل
|
|
0
|
37.کربن ايران
|
0
|
20.سر. رنا
|
74/2
|
3.بانک اقتصاد نوين
|
|
02/5
|
38.کف
|
66/6
|
21.سر. صنعت‌بيمه
|
0
|
4.پارس دارو
|
|
0
|
39.گازلوله
|
0
|
22.سر. صنعت و معدن
|
79/1
|
5.پتروشيمي آبادان
|
|
0
|
40.گروه‌بهمن
|
57/1
|
23.سر. غدير
|
66/6
|
6.پتروشيمي خارک
|
|
66/6
|
41.گروه صنعتي سديد
|
0
|
24.سر. گروه بهشهر
|
0
|
7.پتروشيمي فارابي
|
|
66/6
|
42.لوله‌و ماشين سازي
|
0
|
25.سر. مسکن
|
0
|
8.تجهيز نيروي زنگان
|
|
0
|
43.ماشين‌سازي نيرومحرکه
|
0
|
26.سر. معادن‌و فلزات
|
0
|
9.تراکتورسازي
|
|
0
|
44.محورسازان
|
0
|
27.سر. ملي
|
0
|
10.چادرملو
|
|
0
|
45.معادن روي ايران
|
09/2
|
28.سر. نفت
|
0
|
11.دارو جابرابن‌حيان
|
|
0
|
46.معادن منگنز ايران
|
0
|
29.سيمان تهران
|
04/4
|
12.زامياد
|
|
66/6
|
47.مهرکام پارس
|
0
|
30.سيمان‌فارس وخوزستان
|
66/6
|
13.سايپا
|
|
66/6
|
48.موتوژن
|
42/2
|
31.شهد ايران
|
0
|
14.سايپا ديزل
|
|
66/6
|
49.نفت بهران
|
66/6
|
32.صنعتي بهشهر
|
0
|
15.سر. بازنشستگي
|
|
19/5
|
50.نفت پارس
|
0
|
33.صنعتي دريايي
|
0
|
16.سر. بوعلي
|
|
31/5
|
34.فارسيت درود
|
2
|
17.سر. پارس توشه
|
جدول 4-12. سهام و نسبت سهام (درصد) در پورتفوی الگوريتم رقابت استعماری، بر اساس اطلاعات بازده سالانه
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
پورتفوي منتخب رقابت استعماري
|
نام و رديف شرکت
|
|
0
|
35.فرآورده هاي نسوز آذر
|
0
|
18.سر. پتروشيمي
|
0
|
1. ايران خودرو
|
|
66/6
|
36.کالسيمين
|
0
|
19.سر. توسعه صنعتي
|
0
|
2.ايران خودرو ديزل
|
|
0
|
37.کربن ايران
|
0
|
20.سر. رنا
|
0
|
3.بانک اقتصاد نوين
|
|
0
|
38.کف
|
0
|
21.سر. صنعت‌بيمه
|
66/6
|
4.پارس دارو
|
|
0
|
39.گازلوله
|
0
|
22.سر. صنعت و معدن
|
0
|
5.پتروشيمي آبادان
|
|
0
|
40.گروه‌بهمن
|
0
|
23.سر. غدير
|
0
|
6.پتروشيمي خارک
|
|
0
|
41.گروه صنعتي سديد
|
66/6
|
24.سر. گروه بهشهر
|
0
|
7.پتروشيمي فارابي
|
|
66/6
|
42.لوله‌و ماشين سازي
|
0
|
25.سر. مسکن
|
3/4
|
8.تجهيز نيروي زنگان
|
|
0
|
43.ماشين‌سازي نيرومحرکه
|
0
|
26.سر. معادن‌و فلزات
|
66/6
|
9.تراکتورسازي
|
|
0
|
44.محورسازان
|
0
|
27.سر. ملي
|
66/6
|
10.چادرملو
|
|
0
|
45.معادن روي ايران
|
0
|
28.سر. نفت
|
0
|
11.دارو جابرابن‌حيان
|
|
66/6
|
46.معادن منگنز ايران
|
0
|
29.سيمان تهران
|
0
|
12.زامياد
|
|
66/6
|
47.مهرکام پارس
|
0
|
30.سيمان‌فارس وخوزستان
|
45/2
|
13.سايپا
|
|
66/6
|
48.موتوژن
|
0
|
31.شهد ايران
|
0
|
14.سايپا ديزل
|
|
66/6
|
49.نفت بهران
|
66/6
|
32.صنعتي بهشهر
|
0
|
15.سر. بازنشستگي
|
|
66/6
|
50.نفت پارس
|
0
|
33.صنعتي دريايي
|
0
|
16.سر. بوعلي
|
|
66/6
|
34.فارسيت درود
|
66/6
|
17.سر. پارس توشه
|
جدول 4-15. اطلاعات مورد انتظار و اکتسابی سبدهای منتخب الگوریتم ها – منتخب اطلاعات ماهانه و سالانه- (اطلاعات – بازده، ریسک و انحراف معیار- به صورت درصد می باشند)
|
رديف
|
نام الگوريتم و اطلاعات ورودي مورد استفاده
|
بازده مورد انتظار پورتفوي (سالانه)
|
ريسک پورتفوي (سالانه)
|
بازده مورد انتظار پورتفوي* (ماهانه)
|
ريسک پورتفوي** (ماهانه)
|
بازده اکتسابي بهمن 88
|
بازده اکتسابي اسفند 88
|
بازده اکتسابي فروردين 89
|
بازده اکتسابي ارديبهشت 89
|
بازده اکتسابي خرداد 89
|
بازده اکتسابي تير 89
|
متوسط بازده اکتسابي شش ماهه
|
انحراف معيار بازده اکتسابي شش ماهه
|
عملکرد سبد بر اساس RVAR
|
|
1
|
ژنتيک ماهانه
|
83/28
|
51/52
|
80/0
|
27/4
|
83/2
|
02/5
|
70/8
|
08/4
|
91/0
|
34/10
|
31/5
|
57/3
|
11/1
|
|
2
|
ژنتيک سالانه
|
53/29
|
44/50
|
90/0
|
90/4
|
72/3
|
08/6
|
52/6
|
52/4
|
70/0-
|
51/11
|
27/5
|
00/4
|
98/0
|
|
3
|
ژنتيک_نلدر-ميد ماهانه
|
35/28
|
55/45
|
98/0
|
83/2
|
92/1
|
35/2
|
50/9
|
03/3
|
31/1
|
72/8
|
47/4
|
65/3
|
86/0
|
|
4
|
ژنتيک_نلدر-ميد سالانه
|
99/35
|
09/28
|
12/2
|
50/5
|
57/1
|
47/10
|
48/8
|
58/3
|
29/0
|
73/9
|
69/5
|
42/4
|
98/0
|
|
5
|
PSO ماهانه
|
77/41
|
17/35
|
96/0
|
83/3
|
20/1
|
48/4
|
01/11
|
62/1
|
12/1
|
29/10
|
96/4
|
59/4
|
78/0
|
|
6
|
PSO سالانه
|
85/33
|
27/30
|
02/2
|
65/5
|
30/1
|
19/8
|
08/8
|
16/3
|
42/0-
|
09/10
|
07/5
|
29/4
|
87/0
|
|
7
|
رقابت استعماري ماهانه
|
94/32
|
07/47
|
00/3
|
34/2
|
18/2
|
28/3
|
13/8
|
06/2
|
02/2
|
15/11
|
80/4
|
89/3
|
89/0
|
|
8
|
رقابت استعماري سالانه
|
99/35
|
09/28
|
32/2
|
31/5
|
57/1
|
47/10
|
48/8
|
58/3
|
29/0
|
73/9
|
69/5
|
42/4
|
98/0
|
4-1-5) رتبه بندی و مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف در تشکیل سبد
جدول 4-16 نتایج رتبهبندی پورتفویهای منتخب الگوریتمها را بر اساس مقیاس شارپ یا RVAR نشان میدهد. همچنین نتایج حاصله، صرفاً از بُعد بهینهسازی، و از نقطه نظر سرعت همگرایی نیز قابل مقایسهاند؛ به طوریکه قواعد این نوع از مقایسه، در نظر گرفتن شاخص تعداد نسل برای رسیدن به پاسخ بهینه است. امّا آنچه اخیراً بیش از پیش مورد توجه قرار میگیرد و عامل مهمتری نسبت به تعداد نسلها برای سنجش سرعت است -بالأخص در بهینهسازیهایی که زمان اهمیّت دارد (همانند مسئلهی تشکیل سبد و بهنگامسازی پورتفوی پیش از ایجاد تغییرات اساسی در قیمتها)- شاخصِ مدّت زمان دستیابی به پاسخ بهینه میباشد (چرا که نسلها در روشهای مختلف، تفاوتهای بنیادی و ماهیتی دارند و تعداد نسل، ملاک مناسبی برای سنجش سرعت در شرایط استفاده از روشهای مختلف، نمیباشد. ستون تعداد نسل در دقیقه نیز، مؤیّد همین نکته میباشد). نتایج هر دو مقایسه در جدول 4-17 با جزئیات کامل ارائه شده است (نتایج این جدول بر اساس محاسبات با یک کامپیوتر معمولی خانگی -با حافظه و CPU معمولی- است).
جدول 4-16 نتایج رتبهبندی پورتفویهای منتخب الگوریتمها را بر اساس مقیاس شارپ یا RVAR نشان میدهد. همچنین نتایج حاصله، صرفاً از بُعد بهینهسازی، و از نقطه نظر سرعت همگرایی نیز قابل مقایسهاند؛ به طوریکه قواعد این نوع از مقایسه، در نظر گرفتن شاخص تعداد نسل برای رسیدن به پاسخ بهینه است. امّا آنچه اخیراً بیش از پیش مورد توجه قرار میگیرد و عامل مهمتری نسبت به تعداد نسلها برای سنجش سرعت است -بالأخص در بهینهسازیهایی که زمان اهمیّت دارد (همانند مسئلهی تشکیل سبد و بهنگامسازی پورتفوی پیش از ایجاد تغییرات اساسی در قیمتها)- شاخصِ مدّت زمان دستیابی به پاسخ بهینه میباشد (چرا که نسلها در روشهای مختلف، تفاوتهای بنیادی و ماهیتی دارند و تعداد نسل، ملاک مناسبی برای سنجش سرعت در شرایط استفاده از روشهای مختلف، نمیباشد. ستون تعداد نسل در دقیقه نیز، مؤیّد همین نکته میباشد). نتایج هر دو مقایسه در جدول 4-17 با جزئیات کامل ارائه شده است (نتایج این جدول بر اساس محاسبات با یک کامپیوتر معمولی خانگی -با حافظه و CPU معمولی- است).
جدول 4-16. رتبه بندی الگوریتم ها در تشکیل پورتفوی با اطلاعات ورودی مختلف، بر اساس معیار شارپ
|
نام الگوريتم و اطلاعات ورودي مورد استفاده
|
عملکرد سبد بر اساس RVAR
|
رتبهي عملکردي
|
|
ژنتيک ماهانه
|
1075/1
|
اوّل
|
|
ژنتيک سالانه
|
9808/0
|
دوم
|
|
رقابت استعماري سالانه
|
9806/0
|
سوم
|
|
ژنتيک_نلدر-ميد سالانه
|
9804/0
|
چهارم
|
|
رقابت استعماري ماهانه
|
8856/0
|
پنجم
|
|
PSO سالانه
|
8654/0
|
ششم
|
|
ژنتيک_نلدر-ميد ماهانه
|
8553/0
|
هفتم
|
|
PSO ماهانه
|
7848/0
|
هشتم
|
جدول 4-17. مقایسه ی الگوریتم ها با اطلاعات ورودی مختلف، در تشکیل پورتفوی و بر اساس سرعت همگرایی (تعداد نسل – زمان همگرایی)
|
نام الگوريتم و اطلاعات ورودي مورد استفاده
|
تعداد کل نسلهاي طي شده در حل مسئله
|
مدّت زمان پيمودن کل نسلها (تقريبي)
|
تعداد نسل در دقيقه (تقريبي)
|
تعداد نسل تا رسيدن به پاسخ بهينه (تقريبي)
|
مدّت زمان رسيدن به پاسخ بهينه (تقريبي)*
|
رتبه بر اساس کمتر بودن تعداد نسلهاي بهينهسازي
|
رتبه بر اساس کمتر بودن زمان بهينهسازي
|
|
ژنتيک ماهانه
|
150
|
17 دقيقه
|
82/8
|
50
|
5 دقيقه و 40 ثانيه
|
چهارم
|
پنجم
|
|
ژنتيک سالانه
|
150
|
14 دقيقه
|
71/10
|
110
|
11 دقيقه
|
پنجم
|
سوم
|
|
ژنتيک_نلدر-ميد ماهانه
|
150
|
20 دقيقه
|
5/7
|
40
|
5 دقيقه و 30 ثانيه
|
سوم
|
ششم
|
|
ژنتيک_نلدر-ميد سالانه
|
150
|
16 دقيقه
|
37/9
|
150
|
16 دقيقه
|
ششم
|
چهارم
|
|
PSO ماهانه
|
100
|
5 ساعت و 35 دقيقه
|
29/0
|
25
|
1 ساعت و 27 دقيقه
|
دوم
|
هشتم
|
|
PSO سالانه
|
100
|
5 ساعت و 9 دقيقه
|
32/0
|
20
|
1 ساعت و 3 دقيقه
|
اوّل
|
هفتم
|
|
رقابت استعماري ماهانه
|
10000
|
13 دقيقه
|
23/769
|
9000
|
12 دقيقه
|
هشتم
|
دوم
|
|
رقابت استعماري سالانه
|
3500
|
6 دقيقه
|
33/583
|
3000
|
5 دقيقه و 8 ثانيه
|
هفتم
|
اوّل
|
4-2) سبدهای تشکیلی خبرگان
جدول 4-18 نتایج بازده مورد انتظار و ریسک پورتفوی تشکیلی خبرگان، به همراه متوسط بازده اکتسابی این سبدها در دورهی شش ماههی آزمون به تفکیک و به طور متوسط، انحراف معیار بازده دورهی آزمون و عدد عملکرد سبدها بر اساس معیار شارپ یا RVAR، را نمایش میدهد . توجه نمایید که در این پژوهش، کارگزاران با کدهای کاملاً تصادفی نمایش داده شدهاند و هیچگونه مطابقتی بین کدها و شماره ردیف فهرست پیوست ج، که فهرست رتبهبندی کارگزاران توسط سازمان بورس است، وجود ندارد.
جدول 4-18 نتایج بازده مورد انتظار و ریسک پورتفوی تشکیلی خبرگان، به همراه متوسط بازده اکتسابی این سبدها در دورهی شش ماههی آزمون به تفکیک و به طور متوسط، انحراف معیار بازده دورهی آزمون و عدد عملکرد سبدها بر اساس معیار شارپ یا RVAR، را نمایش میدهد . توجه نمایید که در این پژوهش، کارگزاران با کدهای کاملاً تصادفی نمایش داده شدهاند و هیچگونه مطابقتی بین کدها و شماره ردیف فهرست پیوست ج، که فهرست رتبهبندی کارگزاران توسط سازمان بورس است، وجود ندارد.
4-5) پاسخ به سؤالات تحقیق
در عمل، سؤالات 2، 3 و 4 با توجه به فرضیات مربوطه پاسخ داده شدهاند؛ به عبارتی، فرضیات اصلی پژوهش و فرضیات فرعی مربوط به آنها، پاسخی بودند به سؤالات 2، 3 و 4 که البتّه، مجدداً و با توجه به نتایج آزمون فرضیات، در این بخش به تبیین پاسخ این سؤالات و همچنین سؤال 1، پرداخته میشود.
4-5-1) سؤال اوّل و پاسخ به آن
1. آيا میتوان با استفاده از روشهای ابتکاری به انتخاب و بهينهسازی پورتفوی سهام پرداخت و سازگاری این روشها با مسئلهی پورتفوی چگونه است؟
با توجه به نتایج پژوهش، پاسخ به بخش اوّل سؤال مثبت میباشد و در این تحقیق، نه تنها با یک روش ابتکاری، بلکه با چهار روش ابتکاری به انتخاب و بهينهسازی پورتفوی سهام پرداخته شد.
در پاسخ به بخش دوم سؤال و سنجش سازگاری، مؤلف تحقیق مشابهی را یافت که در صدد سنجش سازگاری مدل خود با موضوع بر آمده بودد، امّا متأسفانه، در آن پژوهش، صرفاً به نظر سنجی در مورد مدل برای نشان دادن سازگاری، پرداخته شده بود (پژوهش مربوط به رضایی پندری، 1387)! به نظر مؤلف، این رویکرد علمی نبوده، قابل اِتکاء نیست. بنابراین، در صدد چارهجویی برآمدیم.
اوّلاً کسب میانگین عملکردی برتر از تازهکارها و در سطح خبرگان، خود گواهی بر این مدعاست که رویکرد با مسئله سازگار بوده است، دست کم، نسبت به روشهای موجود و آنچه عُرف بازار تازهکارهاست، سازگاری بیشتری از خود نشان داده است و با خبرگان نیز عملکرد مشابهی را نشان داده، که نشانی از سازگاری است.
ثانیاً یکی از راههایی که برای سنجش این سازگاری پیشنهاد میشود، مقایسهی بازدهی روشهای ابتکاری با بازده پورتفوی بازار طی دورهی آزمون است. جدول 4-23 نتایج این مقایسه را نشان میدهد. همانطور که در این جدول نشان داده شده است، بازده هر کدام از الگوریتمها هر ماهه، بهتر از بازده پورتفوی بازار بوده است (به جز در خرداد ماه و نیز چند مورد معدود). در نهایت نیز، متوسط بازده هر الگوریتم از متوسط بازده پورتفوی بازار بهتر بوده است؛ به طوری که حتّی در چهار مورد از الگوریتمها، این اختلاف به مرز حدود 1% هم میرسد (سطرهای 1، 2، 4 و 8 جدول را ببینید). متوسط ماهانهی بازده الگوریتمها نیز در پنج ماه از شش ماه، بهتر از پورتفوی بازار بوده است (فقط در خردادماه رابطه معکوس بوده است). همچنین، شکل 4-9 متوسط بازده ماهانهی الگوریتمها را در دورهی شش ماههی آزمون، در کنار بازده پورتفوی بازار به نمایش میگذارد، همانطور که در شکل مشخص است، در اکثر مواقع، متوسط بازده الگوریتمها، بالاتر از بازده پورتفوی بازار قرار دارد. بنابراین، روشهای ابتکاریِ پژوهش، با مسئلهی پورتفوی سازگاری خوبی از خود نشان داده اند .
1. آيا میتوان با استفاده از روشهای ابتکاری به انتخاب و بهينهسازی پورتفوی سهام پرداخت و سازگاری این روشها با مسئلهی پورتفوی چگونه است؟
با توجه به نتایج پژوهش، پاسخ به بخش اوّل سؤال مثبت میباشد و در این تحقیق، نه تنها با یک روش ابتکاری، بلکه با چهار روش ابتکاری به انتخاب و بهينهسازی پورتفوی سهام پرداخته شد.
در پاسخ به بخش دوم سؤال و سنجش سازگاری، مؤلف تحقیق مشابهی را یافت که در صدد سنجش سازگاری مدل خود با موضوع بر آمده بودد، امّا متأسفانه، در آن پژوهش، صرفاً به نظر سنجی در مورد مدل برای نشان دادن سازگاری، پرداخته شده بود (پژوهش مربوط به رضایی پندری، 1387)! به نظر مؤلف، این رویکرد علمی نبوده، قابل اِتکاء نیست. بنابراین، در صدد چارهجویی برآمدیم.
اوّلاً کسب میانگین عملکردی برتر از تازهکارها و در سطح خبرگان، خود گواهی بر این مدعاست که رویکرد با مسئله سازگار بوده است، دست کم، نسبت به روشهای موجود و آنچه عُرف بازار تازهکارهاست، سازگاری بیشتری از خود نشان داده است و با خبرگان نیز عملکرد مشابهی را نشان داده، که نشانی از سازگاری است.
ثانیاً یکی از راههایی که برای سنجش این سازگاری پیشنهاد میشود، مقایسهی بازدهی روشهای ابتکاری با بازده پورتفوی بازار طی دورهی آزمون است. جدول 4-23 نتایج این مقایسه را نشان میدهد. همانطور که در این جدول نشان داده شده است، بازده هر کدام از الگوریتمها هر ماهه، بهتر از بازده پورتفوی بازار بوده است (به جز در خرداد ماه و نیز چند مورد معدود). در نهایت نیز، متوسط بازده هر الگوریتم از متوسط بازده پورتفوی بازار بهتر بوده است؛ به طوری که حتّی در چهار مورد از الگوریتمها، این اختلاف به مرز حدود 1% هم میرسد (سطرهای 1، 2، 4 و 8 جدول را ببینید). متوسط ماهانهی بازده الگوریتمها نیز در پنج ماه از شش ماه، بهتر از پورتفوی بازار بوده است (فقط در خردادماه رابطه معکوس بوده است). همچنین، شکل 4-9 متوسط بازده ماهانهی الگوریتمها را در دورهی شش ماههی آزمون، در کنار بازده پورتفوی بازار به نمایش میگذارد، همانطور که در شکل مشخص است، در اکثر مواقع، متوسط بازده الگوریتمها، بالاتر از بازده پورتفوی بازار قرار دارد. بنابراین، روشهای ابتکاریِ پژوهش، با مسئلهی پورتفوی سازگاری خوبی از خود نشان داده اند .
جدول 4-23. مقایسه ی بازدهی روش های ابتکاری با بازده پورتفوی بازار
|
رديف
|
نام الگوريتم و اطلاعات ورودي مورد استفاده
|
بازده اکتسابي بهمن 88
|
بازده اکتسابي اسفند 88
|
بازده اکتسابي فروردين 89
|
بازده اکتسابي ارديبهشت 89
|
بازده اکتسابي خرداد 89
|
بازده اکتسابي تير 89
|
متوسط بازده اکتسابي شش ماهه
|
|
1
|
ژنتيک ماهانه
|
83/2
|
02/5
|
70/8
|
08/4
|
91/0
|
34/10
|
31/5
|
|
2
|
ژنتيک سالانه
|
72/3
|
08/6
|
52/6
|
52/4
|
70/0-
|
51/11
|
27/5
|
|
3
|
ژنتيک_نلدر-ميد ماهانه
|
92/1
|
35/2
|
50/9
|
03/3
|
31/1
|
72/8
|
47/4
|
|
4
|
ژنتيک_نلدر-ميد سالانه
|
57/1
|
47/10
|
48/8
|
58/3
|
29/0
|
73/9
|
69/5
|
|
5
|
PSO ماهانه
|
20/1
|
48/4
|
01/11
|
62/1
|
12/1
|
29/10
|
96/4
|
|
6
|
PSO سالانه
|
30/1
|
19/8
|
08/8
|
16/3
|
42/0-
|
09/10
|
07/5
|
|
7
|
رقابت استعماري ماهانه
|
18/2
|
28/3
|
13/8
|
06/2
|
02/2
|
15/11
|
80/4
|
|
8
|
رقابت استعماري سالانه
|
57/1
|
47/10
|
48/8
|
58/3
|
29/0
|
73/9
|
69/5
|
|
9
|
متوسط عملکرد الگوريتمها
|
04/2
|
29/6
|
61/8
|
21/3
|
60/0
|
19/10
|
16/5
|
|
10
|
پورتفوي بازار
|
9/0
|
78/3
|
8/7
|
93/0
|
67/2
|
88/9
|
33/4
|
شكل 4-9. نمودار متوسط درصد نرخ بازده ماهانه ی الگوریتم ها در شش ماه مورد آزمون، در مقایسه با بازده سبد بازار در دوره ی مشابه
4-5-2) سؤالات دوم و سوم و پاسخ به آن ها
2. جايگاه و رتبهی هركدام از رویکردهای سهگانهی انتخاب پورتفوی (ابتکاری- خبرگانی- تازهکارها)، در انتخاب سبد سهام چگونه است؟
3. آيا به واقع، بین عملکرد سبدهای تشكيلي سهام توسط خبرگان، تازهکارها و روشهاي ابتكاري، تفاوت معناداری وجود دارد؟
با توجه به فرضیات اصلی و فرعی، رویکردهای خبرگان و روشهای ابتکاری، عملکرد مشابهی داشتند، همچنین، با توجه به جداول 4-22، 4-23 و اصل تعدّی، آندو، از عملکردی بهتر از پورتفوی بازار برخوردار بودند. همچنین، این رویکردها، تفاوت معناداری با عملکرد آماتورها داشته، به مراتب بهتر از آنان عمل کردند. به عبارت ریاضی خواهیم داشت:
عملکرد خبرگان = عملکرد الگوریتمهای ابتکاری >> عملکرد تازهکارها
2. جايگاه و رتبهی هركدام از رویکردهای سهگانهی انتخاب پورتفوی (ابتکاری- خبرگانی- تازهکارها)، در انتخاب سبد سهام چگونه است؟
3. آيا به واقع، بین عملکرد سبدهای تشكيلي سهام توسط خبرگان، تازهکارها و روشهاي ابتكاري، تفاوت معناداری وجود دارد؟
با توجه به فرضیات اصلی و فرعی، رویکردهای خبرگان و روشهای ابتکاری، عملکرد مشابهی داشتند، همچنین، با توجه به جداول 4-22، 4-23 و اصل تعدّی، آندو، از عملکردی بهتر از پورتفوی بازار برخوردار بودند. همچنین، این رویکردها، تفاوت معناداری با عملکرد آماتورها داشته، به مراتب بهتر از آنان عمل کردند. به عبارت ریاضی خواهیم داشت:
عملکرد خبرگان = عملکرد الگوریتمهای ابتکاری >> عملکرد تازهکارها
4-5-3) سؤال چهارم و پاسخ به آن
4. آیا نوع اطلاعات ورودی تشکیل سبد (بین دو حالت ماهانه و سالانه)، بر عملکرد سبد مؤثر است؟
4. آیا نوع اطلاعات ورودی تشکیل سبد (بین دو حالت ماهانه و سالانه)، بر عملکرد سبد مؤثر است؟
فصل پنجم – خلاصه، نتیجه گیری و پیشنهادها
5-1) مقدمه و خلاصه ای از مسئله و یافته های پژوهش
چگونگی تخصیص منابع و انتخاب نوع سرمایهگذاری از اهمیّت بالایی برخوردار است؛ این تخصیص بهینه، بالأخص در بازارهای مالی که عامل رشد و توسعهی کشورها میباشند، بسیار مهم میباشد. در این پژوهش، به نوعی از بهینهسازی تخصیص منابع، با عنوان انتخاب و بهینهسازی پورتفوی سهام و با استفاده از الگوریتمهای ابتکاری پرداخته شد.
با توجه به هدف اصلی پژوهش، ضمن اعمال چهار روش ابتكاري ژنتیک، ترکیب ژنتیک و نلدر-مید، گروه ذرات(کوچ پرندگان) و الگوریتم رقابت استعماری بر مسئلهي انتخاب و بهينهسازي پورتفوي با به کارگیری اطلاعات بازده و ریسک سالانه و ماهانه، سعی در یافتن بهترین ترکیب و نسبت سهام در پورتفویها شد، تا پورتفوی به طور همزمان دارای بالاترین بازده و کمترین ریسک ممکن باشد. همچنین در پژوهش به بررسی کارایی نوع اطلاعات ورودی پرداخته شد. در نهایت، سبدهای تشکیلی خبرگان و تازهکارهای بازار نیز جمعآوری شدند تا مقایسهای بین عملکرد چهار روش ابتکاری مذکور و متوسط عملکرد سبد خبرگان و تازهکارها نیز، در شرایط واقعی بازار، صورت پذیرد.
با آزمون فرضیات و بهینهسازیهای الگوریتمی نتایج زیر حاصل شدند:
تفاوت معناداری بین عملکرد سبدهای روشهای ابتکاری – هر سه گروه سبد منتخب اطلاعات ماهانه، سالانه و یا بدون توجه به نوع اطلاعات ورودی- و خبرگان بازار مشاهده نشد، همچنین هر دو گروه الگوریتمها و خبرگان، در دورهی آزمون که دورهای شش ماهه بود، بهتر از پورتفوی بازار، عمل کرده بودند. به علاوه، سازگاری الگوریتمهای ابتکاری، با تشکیل و بهینهسازی پورتفوی، مورد تأیید یافتههای پژوهش میباشد.
گروه سوم، یعنی تازهکارها، در تشکیل سبد، عملکرد موفقی نداشتند و عملکرد دو گروه خبرگان و الگوریتمها، در سطح معناداری برتر از عملکرد تازهکارها بود.
در نهایت، نوع اطلاعات ورودی (سالانه یا ماهانه بودن)، بر عملکرد سبدهای منتخب تأثیر معناداری نداشت.
چگونگی تخصیص منابع و انتخاب نوع سرمایهگذاری از اهمیّت بالایی برخوردار است؛ این تخصیص بهینه، بالأخص در بازارهای مالی که عامل رشد و توسعهی کشورها میباشند، بسیار مهم میباشد. در این پژوهش، به نوعی از بهینهسازی تخصیص منابع، با عنوان انتخاب و بهینهسازی پورتفوی سهام و با استفاده از الگوریتمهای ابتکاری پرداخته شد.
با توجه به هدف اصلی پژوهش، ضمن اعمال چهار روش ابتكاري ژنتیک، ترکیب ژنتیک و نلدر-مید، گروه ذرات(کوچ پرندگان) و الگوریتم رقابت استعماری بر مسئلهي انتخاب و بهينهسازي پورتفوي با به کارگیری اطلاعات بازده و ریسک سالانه و ماهانه، سعی در یافتن بهترین ترکیب و نسبت سهام در پورتفویها شد، تا پورتفوی به طور همزمان دارای بالاترین بازده و کمترین ریسک ممکن باشد. همچنین در پژوهش به بررسی کارایی نوع اطلاعات ورودی پرداخته شد. در نهایت، سبدهای تشکیلی خبرگان و تازهکارهای بازار نیز جمعآوری شدند تا مقایسهای بین عملکرد چهار روش ابتکاری مذکور و متوسط عملکرد سبد خبرگان و تازهکارها نیز، در شرایط واقعی بازار، صورت پذیرد.
با آزمون فرضیات و بهینهسازیهای الگوریتمی نتایج زیر حاصل شدند:
تفاوت معناداری بین عملکرد سبدهای روشهای ابتکاری – هر سه گروه سبد منتخب اطلاعات ماهانه، سالانه و یا بدون توجه به نوع اطلاعات ورودی- و خبرگان بازار مشاهده نشد، همچنین هر دو گروه الگوریتمها و خبرگان، در دورهی آزمون که دورهای شش ماهه بود، بهتر از پورتفوی بازار، عمل کرده بودند. به علاوه، سازگاری الگوریتمهای ابتکاری، با تشکیل و بهینهسازی پورتفوی، مورد تأیید یافتههای پژوهش میباشد.
گروه سوم، یعنی تازهکارها، در تشکیل سبد، عملکرد موفقی نداشتند و عملکرد دو گروه خبرگان و الگوریتمها، در سطح معناداری برتر از عملکرد تازهکارها بود.
در نهایت، نوع اطلاعات ورودی (سالانه یا ماهانه بودن)، بر عملکرد سبدهای منتخب تأثیر معناداری نداشت.
5-2) نتیجه گیری
با توجه به یافتههای پژوهش، کاربرد الگوریتمهای ابتکاری در انتخاب و بهینهسازی سبد سهام تأیید و توصیه میشود. عملکرد موفق این الگوریتمها در برتری مستمر نسبت به پورتفوی بازار گواهی است بر ادعای سازگاری آنها با مسئله، که غیر قابل چشمپوشی و غیر قابل انکار است.
استفاده از این روشها، بالأخص به دو گروه توصیه میشود، اوّل خبرگان؛ به دلیل آنکه میتوانند به جای صرف منابع هنگفت مالی، انسانی، زمانی و …، و تنها به واسطهی استفاده از روشهای پژوهش به نقطهی شروع مناسبی دست یابند؛ نقطهای که با صرف منابع کمتر، یعنی کارایی بالاتر، اثربخشی یکسانی را برای آنها به همراه خواهد داشت. دوم تازهکارها؛ تا عملکرد سرمایهگذاری خود را افزایش دهند، به دلیل فقدان تجربهی کار با پورتفویها، رویکردهای پژوهش به آنها توصیه میشود.
در نتیجهای دیگر از یافتهها، با توجه به عدم تأثیر ماهانه یا سالانه بودن اطلاعات ورودی در عملکرد سبدهای تشکیلی، اطلاعات سالانه برای تشکیل سبد توصیه میشوند، چرا که این نوع از اطلاعات با حجم گردآوری و محاسباتی بسیار کمتر، یعنی کارایی بالاتر، به اثربخشی یکسانی با همتاهای ماهانهی خود دست مییابند (که البتّه این اثربخشی در سطح بسیار مطلوبی میباشد.)
نتیجهی آخر آنکه، با توجه به عملکرد مناسب سبدهایی که فقط از اطلاعات تاریخی برای تشکیل بهره برده بودند، شکل ضعیف تئوری بازار کارا در بازار بورس تهران، زیر سؤال رفته، مصداق داشتن آن در بازار تهران، مورد تردید قرار میگیرد. به عبارت دیگر، اگر این فرضیه بر بازار تهران حاکم میبود، میبایستی اطلاعات تاریخی در قیمت سهام رخنمون کرده، به تبع آن قیمت آتی، و بازدهی تعدیل میشد و سبدهایی که صرفاً با استفاده از اطلاعات تاریخی تشکیل شده بودند، عملکرد مناسبی کسب نمیکردند. حال آنکه، نه تنها این سبدها عملکرد نامناسبی نداشتهاند، بلکه در اکثر موارد از پورتفوی بازار بهتر و در حد عملکرد خبرگان عمل نمودهاند.
با توجه به یافتههای پژوهش، کاربرد الگوریتمهای ابتکاری در انتخاب و بهینهسازی سبد سهام تأیید و توصیه میشود. عملکرد موفق این الگوریتمها در برتری مستمر نسبت به پورتفوی بازار گواهی است بر ادعای سازگاری آنها با مسئله، که غیر قابل چشمپوشی و غیر قابل انکار است.
استفاده از این روشها، بالأخص به دو گروه توصیه میشود، اوّل خبرگان؛ به دلیل آنکه میتوانند به جای صرف منابع هنگفت مالی، انسانی، زمانی و …، و تنها به واسطهی استفاده از روشهای پژوهش به نقطهی شروع مناسبی دست یابند؛ نقطهای که با صرف منابع کمتر، یعنی کارایی بالاتر، اثربخشی یکسانی را برای آنها به همراه خواهد داشت. دوم تازهکارها؛ تا عملکرد سرمایهگذاری خود را افزایش دهند، به دلیل فقدان تجربهی کار با پورتفویها، رویکردهای پژوهش به آنها توصیه میشود.
در نتیجهای دیگر از یافتهها، با توجه به عدم تأثیر ماهانه یا سالانه بودن اطلاعات ورودی در عملکرد سبدهای تشکیلی، اطلاعات سالانه برای تشکیل سبد توصیه میشوند، چرا که این نوع از اطلاعات با حجم گردآوری و محاسباتی بسیار کمتر، یعنی کارایی بالاتر، به اثربخشی یکسانی با همتاهای ماهانهی خود دست مییابند (که البتّه این اثربخشی در سطح بسیار مطلوبی میباشد.)
نتیجهی آخر آنکه، با توجه به عملکرد مناسب سبدهایی که فقط از اطلاعات تاریخی برای تشکیل بهره برده بودند، شکل ضعیف تئوری بازار کارا در بازار بورس تهران، زیر سؤال رفته، مصداق داشتن آن در بازار تهران، مورد تردید قرار میگیرد. به عبارت دیگر، اگر این فرضیه بر بازار تهران حاکم میبود، میبایستی اطلاعات تاریخی در قیمت سهام رخنمون کرده، به تبع آن قیمت آتی، و بازدهی تعدیل میشد و سبدهایی که صرفاً با استفاده از اطلاعات تاریخی تشکیل شده بودند، عملکرد مناسبی کسب نمیکردند. حال آنکه، نه تنها این سبدها عملکرد نامناسبی نداشتهاند، بلکه در اکثر موارد از پورتفوی بازار بهتر و در حد عملکرد خبرگان عمل نمودهاند.
5-3) مقایسه ی یافته های پژوهش با تحقیقات مشابه
تنها پیشینهی مشابه، استفاده از روش الگوریتم ژنتیک بود، که به مرز کارایی بهتر از حل کلاسیک مارکویتز دست یافته بود. این پژوهش نیز ضمن تأیید کارایی ژنتیک، گامی فراتر گذاشته، در عمل نیز نقطهای بر روی این مرز کارا را مورد آزمون قرار میدهد. نتایج آزمون حاکی از سازگاری و عملکرد مناسب ژنتیک در حل مسئلهی پورتفوی است.
دیگر روشهای پژوهش، در حل این مسئله کاملاً نو بوده، پیشینهی مشابهی برای مقایسهی یافتهها در دست نمیباشد.
تنها پیشینهی مشابه، استفاده از روش الگوریتم ژنتیک بود، که به مرز کارایی بهتر از حل کلاسیک مارکویتز دست یافته بود. این پژوهش نیز ضمن تأیید کارایی ژنتیک، گامی فراتر گذاشته، در عمل نیز نقطهای بر روی این مرز کارا را مورد آزمون قرار میدهد. نتایج آزمون حاکی از سازگاری و عملکرد مناسب ژنتیک در حل مسئلهی پورتفوی است.
دیگر روشهای پژوهش، در حل این مسئله کاملاً نو بوده، پیشینهی مشابهی برای مقایسهی یافتهها در دست نمیباشد.
5-4) محدودیت های تحقیق
عمدهترین مشکل، عدم دسترسی به اطلاعات و سبدهای تشکیلی خبرگان و تازهکارهای بازار بورس بود، به طوریکه حتی پس از برقراری ارتباط، بسیاری از آنها حاضر به افشای سبدهای خود و تکمیل جدول پورتفوی نبودند؛ عدّهای نیز اعتقادی به صَرفِ بخشی از زمان خود جهت تکمیل پرسشنامه
عمدهترین مشکل، عدم دسترسی به اطلاعات و سبدهای تشکیلی خبرگان و تازهکارهای بازار بورس بود، به طوریکه حتی پس از برقراری ارتباط، بسیاری از آنها حاضر به افشای سبدهای خود و تکمیل جدول پورتفوی نبودند؛ عدّهای نیز اعتقادی به صَرفِ بخشی از زمان خود جهت تکمیل پرسشنامه
مشاهده آنلاین و دانلود یکی از مقالات مستخرج از این پایان نامه
منابع و مآخذ
الف) مراجع فارسي
1. آتشپز گَرگَری ا.، (1387)، پایان نامه ی کارشناسی ارشد، “معرفی الگوریتم رقابت استعماری”، مرکز عالی هوش مصنوعی و مهندسی کنترل دانشکده ی مهندسی برق، دانشگاه تهران.
2. آذر ع.، (1385)، “تحقیق در عملیات، مفاهیم و کاربردهای برنامه ریزی خطی”، انتشارات سَمت، تهران.
3. آذر ع.، و مؤمنی م.، (1385)، ” آمار و کاربرد آن در مدیریت “، جلد دوم: تحلیل آماری، چاپ نهم، انتشارات سمت، تهران.
4. پاركر جونز چ.، (1380)، “مديريت سبد سهام(مديريت سبد سرمايه گذاري)”، ترجمه ي محمّد شاه عليزاده، چاپ اوّل، انتشارات جامعه ي دانشگاهي، تهران.
5. تلنگي ا.، (1377)، پایان نامه ی کارشناسی ارشد، “طراح‍ی‌م‍دل‌ری‍اض‍ی‌ب‍رای‌ان‍ت‍خ‍اب‌پ‍رت‍ف‍ول‍ی‍وی‌ب‍ه‍ی‍ن‍ه‌ب‍ا اس‍ت‍ف‍اده‌از م‍ن‍طق‌ب‍رن‍ام‍ه‌ری‍زی‌ف‍ازی”، دانشکده ی مدیریت، دانشگاه تهران.
6. ح‍ج‍اری‍ان‌ک‍اش‍ان‍ی م.، (1379)، رساله ی دكتري، “طراح‍ی‌وت‍ب‍ی‍ی‍ن‌ال‍گ‍وی‌ت‍ص‍م‍ی‍م‌گ‍ی‍ری‌در م‍دی‍ری‍ت‌پ‍ورت‍ف‍وی‌اوراق‌ب‍ه‍ادار ب‍ه‌ک‍م‍ک‌س‍ی‍س‍ت‍م‍ه‍ای‌اطلاع‍ات‍ی(DSS)”، دانشکده ی مدیریت، دانشگاه تهران.
7. دانايي فرد ح.، الواني س.م.، و آذر ع.، (1383)، “روش شناسي پژوهش كمّي در مديريت : رويكردي جامع”، چاپ اوّل، انتشارات صفّار- اشراقي، تهران.
8. دوانی غ.، (1383)، “بورس، سهام ، نحوه ی قیمت گذاری سهام، همراه با کلیه ی قوانین و مقررات سازمان بورس اوراق بهادار و بورس فلزات”، چاپ سوم، ناشر مؤسسه حسابرسی و خدمات مالی دایا رایان، تهران.
9. راع‍ی‌ر.، (1377)، رساله ی دکتری، “طراح‍ی‌م‍دل‌س‍رم‍ای‍ه‌گ‍ذاری‌م‍ن‍اس‍ب‌در سبد س‍ه‍ام‌ب‍ا اس‍ت‍ف‍اده‌از ه‍وش‌م‍ص‍ن‍وع‍ی( ش‍ب‍ک‍ه‌ه‍ای‌ع‍ص‍ب‍ی)”، دانشکده ی مدیریت ، دانشگاه تهران.
10. راع‍ی‌ر.، و تلنگي ا.، (1387)، “مدیریت سرمایه گذاری پیشرفته”، چاپ دوّم، انتشارات سَمت، تهران.
11. رحمتی م.، (1387)، پایان نامه ی کارشناسی ارشد، “انتخاب سبد سهام بهينه مبتني بر Value-at-Risk به عنوان معيار ريسك و با استفاده از الگوريتم هاي فراابتكاري”، دانشکده ی مدیریت، دانشگاه تهران.
12. رضایی پندری ع.، (1387)، پایان نامه ی کارشناسی ارشد، “ارائه ی یک مدل ریاضی برای انتخاب پرتفوی سهام با استفاده از برنامه ریزی آرمانی”، دانشکده ی اقتصاد و مدیریت ، دانشگاه تربیت مدرس.
13. سارنج ع.ر.، (1386)، پایان نامه ی کارشناسی ارشد، “م‍س‍ئ‍ل‍ه‌ان‍ت‍خ‍اب‌پ‍ورت‍ف‍وی‌ب‍ا اس‍ت‍ف‍اده‌ار س‍ه‌م‍ع‍ی‍ار م‍ی‍ان‍گ‍ی‍ن‌ب‍ازده‍ی،ان‍ح‍راف‌م‍ع‍ی‍ار ب‍ازده‍ی‌و ن‍ق‍دش‍ون‍دگ‍ی‌در ب‍ورس‌اوراق‌ب‍ه‍ادار تهران”، دانشکده ی مدیریت، دانشگاه تهران.
14. شریفی س.، (1386)، پایان نامه ی کارشناسی ارشد، “ارائه ی مدلی به منظور انتخاب سبد سهام در بازار بورس اوراق بهادار به وسیله ی تصمیم گیری چند معیاره (مطالعه ی موردی 50 شرکت برتر)”، دانشکده ی مدیریت، دانشگاه تهران.
15. کلامی هریس س.م.، (1386)، سمینار کارشناسی ارشد، “انواع روش های بهینه سازی”، دانشکده ی مهندسی برق، دانشگاه فردوسی مشهد.
16. م‍ح‍م‍ّدی‌اس‍ت‍خ‍ری‌ن.، (1385)، پایان نامه ی کارشناسی ارشد، ” ان‍ت‍خ‍اب‌ی‍ک‌س‍ب‍د س‍ه‍ام‌از ب‍ی‍ن‌س‍ه‍ام‌ش‍رک‍ت‌ه‍ای‌پ‍ذی‍رف‍ت‍ه‌ش‍ده‌در ب‍ورس‌اوراق‌ب‍ه‍ادار ت‍ه‍ران‌ب‍ا اس‍ت‍ف‍اده‌از م‍دل‌ب‍ه‍ی‍ن‍ه س‍ازی‌ال‍گ‍وری‍ت‍م‌ژن‍ت‍ی‍ک” دانشکده ی مدیریت، دانشگاه تهران.
17. مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، (1377)، “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران” تهران.
18. وب سايت وزارت امور اقتصادي و دارايي : http://www.mefa.gov.ir/laws/dbpindex.asp?DN=4
19. وب سايت سازمان بورس اوراق بهادار تهران : http://www.irbourse.com
20. وب سايت مدیریت پژوهش سازمان بورس اوراق بهادار تهران : http://www.rdis.ir
21. وب سايت کتابخانه ی سازمان بورس اوراق بهادار تهران : http://www.rdislib.ir
1. آتشپز گَرگَری ا.، (1387)، پایان نامه ی کارشناسی ارشد، “معرفی الگوریتم رقابت استعماری”، مرکز عالی هوش مصنوعی و مهندسی کنترل دانشکده ی مهندسی برق، دانشگاه تهران.
2. آذر ع.، (1385)، “تحقیق در عملیات، مفاهیم و کاربردهای برنامه ریزی خطی”، انتشارات سَمت، تهران.
3. آذر ع.، و مؤمنی م.، (1385)، ” آمار و کاربرد آن در مدیریت “، جلد دوم: تحلیل آماری، چاپ نهم، انتشارات سمت، تهران.
4. پاركر جونز چ.، (1380)، “مديريت سبد سهام(مديريت سبد سرمايه گذاري)”، ترجمه ي محمّد شاه عليزاده، چاپ اوّل، انتشارات جامعه ي دانشگاهي، تهران.
5. تلنگي ا.، (1377)، پایان نامه ی کارشناسی ارشد، “طراح‍ی‌م‍دل‌ری‍اض‍ی‌ب‍رای‌ان‍ت‍خ‍اب‌پ‍رت‍ف‍ول‍ی‍وی‌ب‍ه‍ی‍ن‍ه‌ب‍ا اس‍ت‍ف‍اده‌از م‍ن‍طق‌ب‍رن‍ام‍ه‌ری‍زی‌ف‍ازی”، دانشکده ی مدیریت، دانشگاه تهران.
6. ح‍ج‍اری‍ان‌ک‍اش‍ان‍ی م.، (1379)، رساله ی دكتري، “طراح‍ی‌وت‍ب‍ی‍ی‍ن‌ال‍گ‍وی‌ت‍ص‍م‍ی‍م‌گ‍ی‍ری‌در م‍دی‍ری‍ت‌پ‍ورت‍ف‍وی‌اوراق‌ب‍ه‍ادار ب‍ه‌ک‍م‍ک‌س‍ی‍س‍ت‍م‍ه‍ای‌اطلاع‍ات‍ی(DSS)”، دانشکده ی مدیریت، دانشگاه تهران.
7. دانايي فرد ح.، الواني س.م.، و آذر ع.، (1383)، “روش شناسي پژوهش كمّي در مديريت : رويكردي جامع”، چاپ اوّل، انتشارات صفّار- اشراقي، تهران.
8. دوانی غ.، (1383)، “بورس، سهام ، نحوه ی قیمت گذاری سهام، همراه با کلیه ی قوانین و مقررات سازمان بورس اوراق بهادار و بورس فلزات”، چاپ سوم، ناشر مؤسسه حسابرسی و خدمات مالی دایا رایان، تهران.
9. راع‍ی‌ر.، (1377)، رساله ی دکتری، “طراح‍ی‌م‍دل‌س‍رم‍ای‍ه‌گ‍ذاری‌م‍ن‍اس‍ب‌در سبد س‍ه‍ام‌ب‍ا اس‍ت‍ف‍اده‌از ه‍وش‌م‍ص‍ن‍وع‍ی( ش‍ب‍ک‍ه‌ه‍ای‌ع‍ص‍ب‍ی)”، دانشکده ی مدیریت ، دانشگاه تهران.
10. راع‍ی‌ر.، و تلنگي ا.، (1387)، “مدیریت سرمایه گذاری پیشرفته”، چاپ دوّم، انتشارات سَمت، تهران.
11. رحمتی م.، (1387)، پایان نامه ی کارشناسی ارشد، “انتخاب سبد سهام بهينه مبتني بر Value-at-Risk به عنوان معيار ريسك و با استفاده از الگوريتم هاي فراابتكاري”، دانشکده ی مدیریت، دانشگاه تهران.
12. رضایی پندری ع.، (1387)، پایان نامه ی کارشناسی ارشد، “ارائه ی یک مدل ریاضی برای انتخاب پرتفوی سهام با استفاده از برنامه ریزی آرمانی”، دانشکده ی اقتصاد و مدیریت ، دانشگاه تربیت مدرس.
13. سارنج ع.ر.، (1386)، پایان نامه ی کارشناسی ارشد، “م‍س‍ئ‍ل‍ه‌ان‍ت‍خ‍اب‌پ‍ورت‍ف‍وی‌ب‍ا اس‍ت‍ف‍اده‌ار س‍ه‌م‍ع‍ی‍ار م‍ی‍ان‍گ‍ی‍ن‌ب‍ازده‍ی،ان‍ح‍راف‌م‍ع‍ی‍ار ب‍ازده‍ی‌و ن‍ق‍دش‍ون‍دگ‍ی‌در ب‍ورس‌اوراق‌ب‍ه‍ادار تهران”، دانشکده ی مدیریت، دانشگاه تهران.
14. شریفی س.، (1386)، پایان نامه ی کارشناسی ارشد، “ارائه ی مدلی به منظور انتخاب سبد سهام در بازار بورس اوراق بهادار به وسیله ی تصمیم گیری چند معیاره (مطالعه ی موردی 50 شرکت برتر)”، دانشکده ی مدیریت، دانشگاه تهران.
15. کلامی هریس س.م.، (1386)، سمینار کارشناسی ارشد، “انواع روش های بهینه سازی”، دانشکده ی مهندسی برق، دانشگاه فردوسی مشهد.
16. م‍ح‍م‍ّدی‌اس‍ت‍خ‍ری‌ن.، (1385)، پایان نامه ی کارشناسی ارشد، ” ان‍ت‍خ‍اب‌ی‍ک‌س‍ب‍د س‍ه‍ام‌از ب‍ی‍ن‌س‍ه‍ام‌ش‍رک‍ت‌ه‍ای‌پ‍ذی‍رف‍ت‍ه‌ش‍ده‌در ب‍ورس‌اوراق‌ب‍ه‍ادار ت‍ه‍ران‌ب‍ا اس‍ت‍ف‍اده‌از م‍دل‌ب‍ه‍ی‍ن‍ه س‍ازی‌ال‍گ‍وری‍ت‍م‌ژن‍ت‍ی‍ک” دانشکده ی مدیریت، دانشگاه تهران.
17. مدیریت پژوهش، توسعه و مدیریت اسلامی سازمان بورس اوراق بهادار تهران، (1377)، “چارچوبي براي سنجش پنجاه شركت فعال تر بورس اوراق بهادار ايران” تهران.
18. وب سايت وزارت امور اقتصادي و دارايي : http://www.mefa.gov.ir/laws/dbpindex.asp?DN=4
19. وب سايت سازمان بورس اوراق بهادار تهران : http://www.irbourse.com
20. وب سايت مدیریت پژوهش سازمان بورس اوراق بهادار تهران : http://www.rdis.ir
21. وب سايت کتابخانه ی سازمان بورس اوراق بهادار تهران : http://www.rdislib.ir
ب) مراجع انگليسي
1. April, J., F. Glover, and J. Kelly, (2002) “Portfolio Optimization for Capital Investment Projects”, Proceeding of the Winter Simulation Conf.,. Retrieved from: http://www.informssim.org/wsc02papers/211.pdf
2. Back, T., (1996), “Evolutionary Algorithms in Theory and Practice, Evolution Strategies, Evolutionary Programming, Genetic Algorithms.”, OXFORD UNIVERSITY PRESS, New York.
3. Back, T., David В. Fogel, and Zbigniew Michalewicz, (2000), “Evolutionary Computation 1 Basic Algorithms and Operators”, INSTITUTE OF PHYSICS PUBLISHING, Bristol and Philadelphia.
4. Bonabeau, E., M. Dorigo, G. Th´eraulaz., (1999), “From Natural to Artificial Swarm Intelligence”, Oxford University Press, New York.
5. Bertsimas Dimitris, Christopher Darnell and Robert Soucy, (1 January/February 1999) “Portfolio Construction Through Mixed-Integer Programming at Grantham, Mayo, Van, Otterloo and Company”, ProQuest Science Journals, Interfaces 29 , pp. 49-66.
6. Bi, J., and A. Eladdadi, (1998) “Application of Optimization Algorithms in Portfolio Selection Problems”, Department of Mathematical Sciences of Rensselaer Polytechnic Institute, Troy, New York.
7. Bodie, Zui, Alex Kane, and Alan J. Marcus, (1996), “Investments”, 3rd ed., Dow Jones-Irwin, Homewood, Illinois, U.S.A.
8. Brealey, Richard A., (1969), “An Introduction to Risk and Return from Common Stock Prices”, M.I.T Press, Cambridge, Mass., U.S.A.
9. BRITS, R., A.P. ENGELBRECHT, F. VAN DEN BERGH, (2007) “Locating multiple optima using particle swarm optimization”, Applied Mathematics and Computation, 189, pp.1859–1883.
10. Chambers, L., (2001), “The Practical Handbook of GENETIC ALGORITHMS Applications”, CHAPMAN & HALL/CRC: Boca Raton London, New York Washington, D.C., U.S.A.
11. Chan, M., C. Wong, B. K-S Cheung and G. Y-N Tang, (2002) “Genetic Algorithms in Multistage Portfolio optimization System”, Hong Kong: The Hong Kong Polytechnic University. Provided by Society for Computational Economics in the series computing in Economics and Finance, no. 165.
12. David Davis, L., Kenneth De Jong, Michael D. Vose, and L. Darrell Whitley, (1999), “Evolutionary Algorithms”, Springer, Verlag, New York, U.S.A.
13. Demiguel, A.V. and R. Uppal., (January 2004) “Portfolio Investment with the Exact Tax Basis via Non-Linear Programming”, Journal of Management Science, 51, 2, pp. 277-290.
14. EBERHART, R. C., J. KENNEDY (1995) “A new optimizer using particle swarm theory”, The Sixth International Symposium on Micromachine and Human Science, Nagoya, Japan.
15. EBERHART, R. C., P.K. SIMPSON, R.W. DOBBINS (1996), “Computational Intelligence PC Tools”, Academic Press Professional.
16. EBERHART, R. C., Y. SHI (1998a) “A modified particle swarm optimizer”, Proceedings of the IEEE World Conference on Computational Intelligence, Anchorage, Alaska.
17. EBERHART, R. C., Y. SHI (1998b) “Comparison between genetic algorithms and particle swarm optimization”, seventh annual conference on evolutionary programming, Evolutionary programming VII. San Diego, CA.
18. Evans, John L., and Stephen H. Archer., (December 1968) “Diversification and the Reduction of Dispersion: An Empirical Analysis”, Journal of Finance, 23, 12, pp.761-767.
19. Fichter, D.P., (1-4 October 2000) “Application of Genetic Algorithm in Portfolio Optimization for the Oil & Gas Industry”, Society of Petroleum Engineers Inc. SPE Annual Technical Conference and Exhibition, Dallas, TX.
20. Frijns, Bart, Esther Koellen and Thorsten Lehnert, (2008) “On the determinants of portfolio choice”, Journal of Economic Behavior & Organization, vol. 66, pp. 373-386. Retrieved from: http://www.elsevier.com/locate/econbase
21. Gaumnitz, Jack E., (1967), Unpublished Ph.D. dissertation, “Investment Diversification under uncertainty: An Examination of the Number of Securities in a Diversified Portfolio”, Stanford University.
22. G´omez, S.F., Jim´enez F, (1999) “Fuzzy modeling with hybrid systems”, Fuzzy Sets and Systems, no.104, pp. 199-208.
23. Gondzio, J. And A. Grothey, (April 2004) “Solving Nonlinear Portfolio Optimization Problems with the Primal-Dual Interior Point Method”, Retrieved from: http://www.maths.ed.ac.uk/~gondzio/parallel/almnlp.pdf
24. Gopi, E.S., (2007), “Algorithm Collections for Digital Signal Processing Applications Using Matlab”, Springer, Dordrecht: The Netherlands.
25. Grefenstette, John, (January/February 1986) “Optimization of Control Parameters for Genetic Algorithms”, IEEE Transactions on systems, MAN, and Cybernetics, SMC-16, no.1.
26. Hagin, Robert L., (1979), “The Dow Jones-Irwin Guide to Modern Portfolio Theory”, 1st ed., Dow Jones-Irwin, Homewood, Illinois, U.S.A.
27. Hagin, Robert L., (2004), “Investment Management – Portfolio Diversification, Risk, and Timing – Fact and Fiction”, John Wiley & Sons, Inc., Hoboken, New Jersey, U.S.A.
28. Hatch, Evelyn, Hossein Farhady, (1981), “Research Design and Statistics for Applied Linguistics”, Rahnama Publications, Tehran, Iran.
29. Hershberger, M., Y. Qi and R.E. Steuer, (2004) “Quadratic Parametric Programming for Portfolio Selection with Random Problem Generation and Computational Experience”, Retrieved from: http://www.terry.uga.edu/finance/research/workingpapers/papers/parametric.pdf
30. Holland, J., (1975), “Adaptation in natural and artificial systems”, MIT press, Massachusetts, U.S.A.
31. Inuiguchi, M. and J. Ramik, (April 2000) “Possibilistic Linear Programming: A Brief Review of Fuzzy Mathematical Programming & A Comparison with Stochastic Programming in Portfolio Selection Problem”, Fuzzy Sets & Systems Journal, vol. 111, pp. 3-28.
32. Jensen, M., (1968) “The performance of Mutual Funds in the period 1945-1964”, Journal of Finance, pp. 389-416.
33. Kellerer Hans, Renata Mansini and M.Grazia Speranza, (2000) “Selecting Portfolios with Fixed Costs and Minimum Transaction Lots”, Annals of Operations Research, vol. 99, pp. 287-304.
34. Kennedy, J., R.C. Eberhart (1995) “Particle swarm optimization”, in The IEEE International Joint Conference on Neural Networks, Piscataway, NJ: IEEE Press.
35. KENNEDY, J. (1999) “Small worlds and mega-minds: Effects of neighborhood topology on particle swarm performance”, Proceedings of the IEEE Congress on Evolutionary Computation.
36. Kennedy, J., R.C. Eberhart,(2001), “Swarm Intelligence”, Morgan Kaufman.
37. KENNEDY, J., R. MENDES (2002) “Population structure and particle performance” Proceedings of the IEEE Congress on Evolutionary Computation, Honolulu, Hawaii, IEEE Press.
38. Klerk, E.De., and D.V. Pasechnik, (2005) “A Linear Programming Reformulation of the Standard Quadratic Optimization Problem”, Retrieved from: http://www.optimization-online.org/DB FILE/2005/03/1087.pdf
39. Kolda, Tamara G.; Lewis, Robert Michael; Torczon, Virginia, (2003) “Optimization by direct search: new perspectives on some classical and modern methods”, SIAM Rev. 45, no. 3, pp. 385–482.
40. Lazo, J.G, M. Maria, R. Vellasco, M. Auelio and C. Pacheco, (2000) “A Hybrid- Genetic-Neural System for Portfolio Selection and Management”, Proceeding Sixth Int. Conf. On Engineering Applications of Neural Networks, Kingston upon Thames.
41. Li, Jun, Jiuping Xu (2009) “A novel portfolio selection model in a hybrid uncertain environment”, omega the International Journal of Management Science, vol. 37, pp. 439-449.
42. Li, Z-F, S-Y Wang and X-T Deng, (January 2000) “A Linear Programming Algorithm for Optimal Portfolio Selection with Transaction Cost”, International Journal of Systems Science, vol. 31, pp. 107-117.
43. Lobo, M.S., M. Fazel and S. Boyd, (2002) “Portfolio Optimization with Linear and Fixed Transaction Costs”, Retrieved from: http://www.stanford.edu/~boyd/reports/portfolio submitted.pdf
44. Loraschi, A. And A. Tettamanzi, (1995) “An Evolutionary Algorithm for Portfolio Selection in a Downside Risk Framework”, the European Journal of Finance, vol. 1, no. 1.
45. Loraschi, A., A. Tettamanzi, M. Tomassini, P. Verda, D.W. Pearson and R.T. Albercht, (1995) “Distributed Genetic Algorithm with an Application to Portfolio Selection Problem”, In proceeding of the Int. Conf. On Artificial Neural Nets & Genetic Algorithms, Springer – Verlag, pp.384.
46. Markowitz, Harry, (March 1952) “Portfolio Selection”, Journal of finance, 7, 1, pp. 77-91.
47. Markowitz, Harry, (1959), “Portfolio Selection: Efficient Diversification of Investments”, John Wiley & Sons, New York, U.S.A.
48. MENDES, R., P. CORTEZ, M. ROCHA, J. NEVES (2002) “Particle swarms for feedforward neural network training”, Proceedings of the International Joint Conference on Neural Networks.
49. Microsoftcorporation, Microsoft Office Excel 2007, © Microsoft Enterprise 2007.
50. Molaei, M.A. and Arash Talebi, (2010) “Application of genetic Algorithm in Portfolio Optimization” in the proceedings of 1st international conference of Business and economics, Thessaloniki, Greece, pp. 668-682.
51. Nelder, J.A. and Mead, R., (1965) “A simplex method for function minimization”, Computation Journal, vol. 7, pp. 308–313.
52. Papahristodoulou, C. And E. Dotzauers, (2004) “Optimal Portfolios Using Linear Programming Models”, Journal of the Operational Research Society, Retrieved from: http://palgrave-journals.com
53. Pari, A.Robert, Son-Nan Chen, (1984) “An empirical test of Arbitrage pricing theory”, Journal of financial research, pp. 121-130.
54. Parra, M.A., A.B. Terol and M.V. Rodriguez, (January 2001) “A Fuzzy Goal Programming Approach to Portfolio Selection”, European Journal of Operational Research, 133, 2, pp. 287-297.
55. PARSOPOULOS, K. E., M.N. VRAHATIS, (2007) “Parameter selection and adaptation in Unified Particle Swarm Optimization”, Mathematical and Computer Modelling, vol. 46, pp. 198–213.
56. Perez, R.E., K. Behdinan, (2007) “Particle swarm approach for structural design optimization”, Computers and Structures, vol. 85, pp. 1579–1588.
57. Pourzeynali, S., H.H. Lavasani, and A.H. Modarayi, (2006) “Active control of high rise building structures using fuzzy logic and genetic algorithms”, Engineering Structures, no. 29, pp. 346–357.
58. Ramaswamy, S., (November 1998) “Portfolio Selection Using Fuzzy Decision Theory”, Basel: Switzerland, Bank of International Settlements, Monetary and Economics Department, Retrieved from: http://www.bis.org/publ/work59.pdf
59. Roll, R., (1977) “A critique of the asset pricing Theory’s test part 1: on past and potential testability of the theory”, Journal of financial economics, Vol. 4, pp. 129-176.
60. Roll, R., S. Ross, (1984) “The arbitrage pricing theory approach to strategic portfolio planning”, Financial Analysts Journal, vol. 40, pp. 14- 26.
61. Ross, S., (1976) “The arbitrage theory of capital asset pricing”, Journal of Economic Theory, vol. 13, pp. 341-360.
62. Schlottmann, F. and D. Seese, (2001), Ph.D. dissertation, “A Hybrid Genetic Quantitative Method for Risk-Return Optimization of Credit Portfolio”, Institute AIFB, Faculty of Economics, University of Karlsruhe, Germany.
63. Schubert, L., (May 2005), “Performance of Linear Portfolio Optimization”, Retrieved from: http://www.forschung.fhkonstanz.de/inhalte /Projekte/Berichte/Bericht-schubert-portfolio 2005.pdf
64. Sen, S., L. Yu and T. Genc., (2006) “A Stochastic Programming Approach to Power Portfolio Optimization”, Operation Research Journal, 54, 1, pp. 55-72.
65. Shapcott, J., (1992), “Index Tracking: Genetic Algorithm for Investment Portfolio Selection”, Technical Report, Edinburgh Parallel Computing Center, University of Edinburgh.
66. Sharpe, William F., (September 1964) “Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk”, Journal of Finance, 19, 3, pp. 425-442. Reprinted in James Lorie and Richard Brealey, (1978) “Modern Developments in Investment Management: a Book of Readings”, 2nd edition, ш. Dryden Press, Hinsdale, pp. 366-383.
67. Sharpe, William F., (1966) “Mutual fund performance”, Journal of business, pp. 119-138.
68. Sharpe, William F., (March 1967) “Linear Programming Algorithms for Mutual Fund Portfolio Selection”, Management Science Journal, 13, 7, pp. 449-510.
69. Sharpe, William F., (1978), “Investments”, Prentice-Hall, Inc., Englewood Cliffs, U.S.A.
70. Shi, Y., R.C. Eberhart.(1998) “Parameter selection in particle swarm optimization: Evolutionary Programming VII” , San Diego, CA/Berlin: Springer, pp.591–600.
71. Solnik, Bruno H., (May 1974) “The International Pricing of Risk: An Empirical Investigation of the World Capital Market Structure”, Journal of Finance, 29, 2, pp. 364-378. الف
72. Solnik, Bruno H., (July-August 1974) “Why Not Diversify Internationally Rather Than Domestically?”, Financial Analysis Journal, 30, 4, pp. 45-54. ب
73. The MathWorks, I., Matrix laboratory (MATLAB). 1984-2009 ©The MathWorks, Inc.
74. Treynor, J., (1965) “How to Rate Management of Investment Funds”, Harvard Business Review, pp. 63-75.
75. VAN DEN BERGH, F., (2002) “An Analysis of Particle Swarm Optimizers”, Department of Computer Science, Pretoria, University of Pretoria, South Africa.
76. VAN DEN BERGH, F., A.P. ENGELBRECHT, (2006) “A study of particle swarm optimization particle trajectories”, Information Sciences, vol. 176, pp. 937–971.
77. Van Le, Tu., (July 1999), “Fuzzy Evolutionary Programming for Portfolio Selection in Investment”, Second Int. Conf. In Intelligent Processing & Manufacturing of Materials, Honolulu, pp. 675-679.
78. Vieira, R.G.S. and R.S. Wazlawick, (1998-1999) “Using Genetic Algorithm for Defining an Initial Shares Portfolio”, In World Multi Conference on Systemic, Cybernetics and Informatics(CSI’98) and the 4th International Conference on Information Systems Analysis and Synthesis(ISAS’98), INE, Federal University of Santa Catarina, Orlando, U.S.A, pp. 333-338.
79. Williams, J.B., (1938), “The Theory of Investment Value”, Harvard University Press, Cambridge, Mass., U.S.A., pp. 55-75.
80. Yang, X., (August 2006) “Improving Portfolio Efficiency: A General Algorithm Approach”, Journal of Computational Economics, 28, 1, pp. 1-14.
81. Yu, Wen Ci., (1979) “The convergent property of the simplex evolutionary technique”, Scientia Sinica [Zhongguo Kexue], pp. 69–77.
82. Zenios, S.A., M. Holmer, R. McKendall and Ch. Vassiadou-Zeniou, (August 1998) “Dynamic Models for Fixed-Income Portfolio Management under Uncertainty”, Journal of Economic Dynamics and Control, 22, 10, pp. 1517-1541.
1. April, J., F. Glover, and J. Kelly, (2002) “Portfolio Optimization for Capital Investment Projects”, Proceeding of the Winter Simulation Conf.,. Retrieved from: http://www.informssim.org/wsc02papers/211.pdf
2. Back, T., (1996), “Evolutionary Algorithms in Theory and Practice, Evolution Strategies, Evolutionary Programming, Genetic Algorithms.”, OXFORD UNIVERSITY PRESS, New York.
3. Back, T., David В. Fogel, and Zbigniew Michalewicz, (2000), “Evolutionary Computation 1 Basic Algorithms and Operators”, INSTITUTE OF PHYSICS PUBLISHING, Bristol and Philadelphia.
4. Bonabeau, E., M. Dorigo, G. Th´eraulaz., (1999), “From Natural to Artificial Swarm Intelligence”, Oxford University Press, New York.
5. Bertsimas Dimitris, Christopher Darnell and Robert Soucy, (1 January/February 1999) “Portfolio Construction Through Mixed-Integer Programming at Grantham, Mayo, Van, Otterloo and Company”, ProQuest Science Journals, Interfaces 29 , pp. 49-66.
6. Bi, J., and A. Eladdadi, (1998) “Application of Optimization Algorithms in Portfolio Selection Problems”, Department of Mathematical Sciences of Rensselaer Polytechnic Institute, Troy, New York.
7. Bodie, Zui, Alex Kane, and Alan J. Marcus, (1996), “Investments”, 3rd ed., Dow Jones-Irwin, Homewood, Illinois, U.S.A.
8. Brealey, Richard A., (1969), “An Introduction to Risk and Return from Common Stock Prices”, M.I.T Press, Cambridge, Mass., U.S.A.
9. BRITS, R., A.P. ENGELBRECHT, F. VAN DEN BERGH, (2007) “Locating multiple optima using particle swarm optimization”, Applied Mathematics and Computation, 189, pp.1859–1883.
10. Chambers, L., (2001), “The Practical Handbook of GENETIC ALGORITHMS Applications”, CHAPMAN & HALL/CRC: Boca Raton London, New York Washington, D.C., U.S.A.
11. Chan, M., C. Wong, B. K-S Cheung and G. Y-N Tang, (2002) “Genetic Algorithms in Multistage Portfolio optimization System”, Hong Kong: The Hong Kong Polytechnic University. Provided by Society for Computational Economics in the series computing in Economics and Finance, no. 165.
12. David Davis, L., Kenneth De Jong, Michael D. Vose, and L. Darrell Whitley, (1999), “Evolutionary Algorithms”, Springer, Verlag, New York, U.S.A.
13. Demiguel, A.V. and R. Uppal., (January 2004) “Portfolio Investment with the Exact Tax Basis via Non-Linear Programming”, Journal of Management Science, 51, 2, pp. 277-290.
14. EBERHART, R. C., J. KENNEDY (1995) “A new optimizer using particle swarm theory”, The Sixth International Symposium on Micromachine and Human Science, Nagoya, Japan.
15. EBERHART, R. C., P.K. SIMPSON, R.W. DOBBINS (1996), “Computational Intelligence PC Tools”, Academic Press Professional.
16. EBERHART, R. C., Y. SHI (1998a) “A modified particle swarm optimizer”, Proceedings of the IEEE World Conference on Computational Intelligence, Anchorage, Alaska.
17. EBERHART, R. C., Y. SHI (1998b) “Comparison between genetic algorithms and particle swarm optimization”, seventh annual conference on evolutionary programming, Evolutionary programming VII. San Diego, CA.
18. Evans, John L., and Stephen H. Archer., (December 1968) “Diversification and the Reduction of Dispersion: An Empirical Analysis”, Journal of Finance, 23, 12, pp.761-767.
19. Fichter, D.P., (1-4 October 2000) “Application of Genetic Algorithm in Portfolio Optimization for the Oil & Gas Industry”, Society of Petroleum Engineers Inc. SPE Annual Technical Conference and Exhibition, Dallas, TX.
20. Frijns, Bart, Esther Koellen and Thorsten Lehnert, (2008) “On the determinants of portfolio choice”, Journal of Economic Behavior & Organization, vol. 66, pp. 373-386. Retrieved from: http://www.elsevier.com/locate/econbase
21. Gaumnitz, Jack E., (1967), Unpublished Ph.D. dissertation, “Investment Diversification under uncertainty: An Examination of the Number of Securities in a Diversified Portfolio”, Stanford University.
22. G´omez, S.F., Jim´enez F, (1999) “Fuzzy modeling with hybrid systems”, Fuzzy Sets and Systems, no.104, pp. 199-208.
23. Gondzio, J. And A. Grothey, (April 2004) “Solving Nonlinear Portfolio Optimization Problems with the Primal-Dual Interior Point Method”, Retrieved from: http://www.maths.ed.ac.uk/~gondzio/parallel/almnlp.pdf
24. Gopi, E.S., (2007), “Algorithm Collections for Digital Signal Processing Applications Using Matlab”, Springer, Dordrecht: The Netherlands.
25. Grefenstette, John, (January/February 1986) “Optimization of Control Parameters for Genetic Algorithms”, IEEE Transactions on systems, MAN, and Cybernetics, SMC-16, no.1.
26. Hagin, Robert L., (1979), “The Dow Jones-Irwin Guide to Modern Portfolio Theory”, 1st ed., Dow Jones-Irwin, Homewood, Illinois, U.S.A.
27. Hagin, Robert L., (2004), “Investment Management – Portfolio Diversification, Risk, and Timing – Fact and Fiction”, John Wiley & Sons, Inc., Hoboken, New Jersey, U.S.A.
28. Hatch, Evelyn, Hossein Farhady, (1981), “Research Design and Statistics for Applied Linguistics”, Rahnama Publications, Tehran, Iran.
29. Hershberger, M., Y. Qi and R.E. Steuer, (2004) “Quadratic Parametric Programming for Portfolio Selection with Random Problem Generation and Computational Experience”, Retrieved from: http://www.terry.uga.edu/finance/research/workingpapers/papers/parametric.pdf
30. Holland, J., (1975), “Adaptation in natural and artificial systems”, MIT press, Massachusetts, U.S.A.
31. Inuiguchi, M. and J. Ramik, (April 2000) “Possibilistic Linear Programming: A Brief Review of Fuzzy Mathematical Programming & A Comparison with Stochastic Programming in Portfolio Selection Problem”, Fuzzy Sets & Systems Journal, vol. 111, pp. 3-28.
32. Jensen, M., (1968) “The performance of Mutual Funds in the period 1945-1964”, Journal of Finance, pp. 389-416.
33. Kellerer Hans, Renata Mansini and M.Grazia Speranza, (2000) “Selecting Portfolios with Fixed Costs and Minimum Transaction Lots”, Annals of Operations Research, vol. 99, pp. 287-304.
34. Kennedy, J., R.C. Eberhart (1995) “Particle swarm optimization”, in The IEEE International Joint Conference on Neural Networks, Piscataway, NJ: IEEE Press.
35. KENNEDY, J. (1999) “Small worlds and mega-minds: Effects of neighborhood topology on particle swarm performance”, Proceedings of the IEEE Congress on Evolutionary Computation.
36. Kennedy, J., R.C. Eberhart,(2001), “Swarm Intelligence”, Morgan Kaufman.
37. KENNEDY, J., R. MENDES (2002) “Population structure and particle performance” Proceedings of the IEEE Congress on Evolutionary Computation, Honolulu, Hawaii, IEEE Press.
38. Klerk, E.De., and D.V. Pasechnik, (2005) “A Linear Programming Reformulation of the Standard Quadratic Optimization Problem”, Retrieved from: http://www.optimization-online.org/DB FILE/2005/03/1087.pdf
39. Kolda, Tamara G.; Lewis, Robert Michael; Torczon, Virginia, (2003) “Optimization by direct search: new perspectives on some classical and modern methods”, SIAM Rev. 45, no. 3, pp. 385–482.
40. Lazo, J.G, M. Maria, R. Vellasco, M. Auelio and C. Pacheco, (2000) “A Hybrid- Genetic-Neural System for Portfolio Selection and Management”, Proceeding Sixth Int. Conf. On Engineering Applications of Neural Networks, Kingston upon Thames.
41. Li, Jun, Jiuping Xu (2009) “A novel portfolio selection model in a hybrid uncertain environment”, omega the International Journal of Management Science, vol. 37, pp. 439-449.
42. Li, Z-F, S-Y Wang and X-T Deng, (January 2000) “A Linear Programming Algorithm for Optimal Portfolio Selection with Transaction Cost”, International Journal of Systems Science, vol. 31, pp. 107-117.
43. Lobo, M.S., M. Fazel and S. Boyd, (2002) “Portfolio Optimization with Linear and Fixed Transaction Costs”, Retrieved from: http://www.stanford.edu/~boyd/reports/portfolio submitted.pdf
44. Loraschi, A. And A. Tettamanzi, (1995) “An Evolutionary Algorithm for Portfolio Selection in a Downside Risk Framework”, the European Journal of Finance, vol. 1, no. 1.
45. Loraschi, A., A. Tettamanzi, M. Tomassini, P. Verda, D.W. Pearson and R.T. Albercht, (1995) “Distributed Genetic Algorithm with an Application to Portfolio Selection Problem”, In proceeding of the Int. Conf. On Artificial Neural Nets & Genetic Algorithms, Springer – Verlag, pp.384.
46. Markowitz, Harry, (March 1952) “Portfolio Selection”, Journal of finance, 7, 1, pp. 77-91.
47. Markowitz, Harry, (1959), “Portfolio Selection: Efficient Diversification of Investments”, John Wiley & Sons, New York, U.S.A.
48. MENDES, R., P. CORTEZ, M. ROCHA, J. NEVES (2002) “Particle swarms for feedforward neural network training”, Proceedings of the International Joint Conference on Neural Networks.
49. Microsoftcorporation, Microsoft Office Excel 2007, © Microsoft Enterprise 2007.
50. Molaei, M.A. and Arash Talebi, (2010) “Application of genetic Algorithm in Portfolio Optimization” in the proceedings of 1st international conference of Business and economics, Thessaloniki, Greece, pp. 668-682.
51. Nelder, J.A. and Mead, R., (1965) “A simplex method for function minimization”, Computation Journal, vol. 7, pp. 308–313.
52. Papahristodoulou, C. And E. Dotzauers, (2004) “Optimal Portfolios Using Linear Programming Models”, Journal of the Operational Research Society, Retrieved from: http://palgrave-journals.com
53. Pari, A.Robert, Son-Nan Chen, (1984) “An empirical test of Arbitrage pricing theory”, Journal of financial research, pp. 121-130.
54. Parra, M.A., A.B. Terol and M.V. Rodriguez, (January 2001) “A Fuzzy Goal Programming Approach to Portfolio Selection”, European Journal of Operational Research, 133, 2, pp. 287-297.
55. PARSOPOULOS, K. E., M.N. VRAHATIS, (2007) “Parameter selection and adaptation in Unified Particle Swarm Optimization”, Mathematical and Computer Modelling, vol. 46, pp. 198–213.
56. Perez, R.E., K. Behdinan, (2007) “Particle swarm approach for structural design optimization”, Computers and Structures, vol. 85, pp. 1579–1588.
57. Pourzeynali, S., H.H. Lavasani, and A.H. Modarayi, (2006) “Active control of high rise building structures using fuzzy logic and genetic algorithms”, Engineering Structures, no. 29, pp. 346–357.
58. Ramaswamy, S., (November 1998) “Portfolio Selection Using Fuzzy Decision Theory”, Basel: Switzerland, Bank of International Settlements, Monetary and Economics Department, Retrieved from: http://www.bis.org/publ/work59.pdf
59. Roll, R., (1977) “A critique of the asset pricing Theory’s test part 1: on past and potential testability of the theory”, Journal of financial economics, Vol. 4, pp. 129-176.
60. Roll, R., S. Ross, (1984) “The arbitrage pricing theory approach to strategic portfolio planning”, Financial Analysts Journal, vol. 40, pp. 14- 26.
61. Ross, S., (1976) “The arbitrage theory of capital asset pricing”, Journal of Economic Theory, vol. 13, pp. 341-360.
62. Schlottmann, F. and D. Seese, (2001), Ph.D. dissertation, “A Hybrid Genetic Quantitative Method for Risk-Return Optimization of Credit Portfolio”, Institute AIFB, Faculty of Economics, University of Karlsruhe, Germany.
63. Schubert, L., (May 2005), “Performance of Linear Portfolio Optimization”, Retrieved from: http://www.forschung.fhkonstanz.de/inhalte /Projekte/Berichte/Bericht-schubert-portfolio 2005.pdf
64. Sen, S., L. Yu and T. Genc., (2006) “A Stochastic Programming Approach to Power Portfolio Optimization”, Operation Research Journal, 54, 1, pp. 55-72.
65. Shapcott, J., (1992), “Index Tracking: Genetic Algorithm for Investment Portfolio Selection”, Technical Report, Edinburgh Parallel Computing Center, University of Edinburgh.
66. Sharpe, William F., (September 1964) “Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk”, Journal of Finance, 19, 3, pp. 425-442. Reprinted in James Lorie and Richard Brealey, (1978) “Modern Developments in Investment Management: a Book of Readings”, 2nd edition, ш. Dryden Press, Hinsdale, pp. 366-383.
67. Sharpe, William F., (1966) “Mutual fund performance”, Journal of business, pp. 119-138.
68. Sharpe, William F., (March 1967) “Linear Programming Algorithms for Mutual Fund Portfolio Selection”, Management Science Journal, 13, 7, pp. 449-510.
69. Sharpe, William F., (1978), “Investments”, Prentice-Hall, Inc., Englewood Cliffs, U.S.A.
70. Shi, Y., R.C. Eberhart.(1998) “Parameter selection in particle swarm optimization: Evolutionary Programming VII” , San Diego, CA/Berlin: Springer, pp.591–600.
71. Solnik, Bruno H., (May 1974) “The International Pricing of Risk: An Empirical Investigation of the World Capital Market Structure”, Journal of Finance, 29, 2, pp. 364-378. الف
72. Solnik, Bruno H., (July-August 1974) “Why Not Diversify Internationally Rather Than Domestically?”, Financial Analysis Journal, 30, 4, pp. 45-54. ب
73. The MathWorks, I., Matrix laboratory (MATLAB). 1984-2009 ©The MathWorks, Inc.
74. Treynor, J., (1965) “How to Rate Management of Investment Funds”, Harvard Business Review, pp. 63-75.
75. VAN DEN BERGH, F., (2002) “An Analysis of Particle Swarm Optimizers”, Department of Computer Science, Pretoria, University of Pretoria, South Africa.
76. VAN DEN BERGH, F., A.P. ENGELBRECHT, (2006) “A study of particle swarm optimization particle trajectories”, Information Sciences, vol. 176, pp. 937–971.
77. Van Le, Tu., (July 1999), “Fuzzy Evolutionary Programming for Portfolio Selection in Investment”, Second Int. Conf. In Intelligent Processing & Manufacturing of Materials, Honolulu, pp. 675-679.
78. Vieira, R.G.S. and R.S. Wazlawick, (1998-1999) “Using Genetic Algorithm for Defining an Initial Shares Portfolio”, In World Multi Conference on Systemic, Cybernetics and Informatics(CSI’98) and the 4th International Conference on Information Systems Analysis and Synthesis(ISAS’98), INE, Federal University of Santa Catarina, Orlando, U.S.A, pp. 333-338.
79. Williams, J.B., (1938), “The Theory of Investment Value”, Harvard University Press, Cambridge, Mass., U.S.A., pp. 55-75.
80. Yang, X., (August 2006) “Improving Portfolio Efficiency: A General Algorithm Approach”, Journal of Computational Economics, 28, 1, pp. 1-14.
81. Yu, Wen Ci., (1979) “The convergent property of the simplex evolutionary technique”, Scientia Sinica [Zhongguo Kexue], pp. 69–77.
82. Zenios, S.A., M. Holmer, R. McKendall and Ch. Vassiadou-Zeniou, (August 1998) “Dynamic Models for Fixed-Income Portfolio Management under Uncertainty”, Journal of Economic Dynamics and Control, 22, 10, pp. 1517-1541.
Abstract
Contrary to the growing use of portfolios and in spite of the rich literature on the subject, there are some problems and unanswered questions. Besides, Iran’s stock markets, as developing and growing maekrts, need native researches to answer the problems and unanswered questions. The aim of this work is to be a useful instrument for helping finance practitioners and researchers with the portfolio selection problem. While reviewing Modern Portfolio Theory’s (MPT) literature, this study describes the advances and developments in the field of portfolio selection and optimization, and also investigates optimization methods. Then, heuristic methods are determined efficient methods due to the advantages they hold, and therefore, four of them, which happen to be of the most efficient and newest ones, are selected to resolve the portfolio selection problem with the objective of simultaneous risk minimization/return maximization in Tehran Stock Exchange market and from the stocks of listed 50 top companies. Moreover, to investigate the variable of input data (Annual vs. Monthly) on portfolios performance of efficiency and effectiveness dimensions, two different portfolios are selected via each algorithm and each input data (Annual vs. Monthly). Thereafter, in order to survey the performance of algorithms, experts and amateurs altogether, experts and amateurs are defined by the author in the first step and then their would-be portfolios are gathered using a questionnaire. All portfolios of this research, including eight portfolios of algorithms-input data, forty of the brokers as the representatives of experts and forty-three of individual investors who are present at stock market, defined as amateurs, are applied to the real data of stock market for a six-month period, called test period; in other words, in real market, stocks are bought and hold hypothetically for six months according to the portfolios in an inactive strategy. Finally, the performances are calculated according to risk-adjusted indices, and then, main and subsidiary research hypotheses are examined accordingly and via ANOVA and Scheffe’s Post Hoc tests as statistical procedures. The results indicate that there is not a significant difference between experts and algorithms’ performance. Moreover, both have achieved better returns in contrast to market portfolio during the test period. Algorithms’ convergence speeds are also reasonable. But, amateurs’ mean performance is in a significant difference in contrast to the previous groups, as it turns out, by performing Post Hoc test of Scheffe, experts’ and algorithms’ performance was significantly better than amateurs. Findings also show that the variable of input data, did not have any effects on the portfolios performances. Thus, the conclusions are: 1. As the algorithms were compatible and consistent with the portfolio selection problem, experts, who are invoking enormous human and financial resources to construct portfolios, are advised to employ the algorithms instead. Following this recommendation, same effectiveness is resulted while leading to more efficiency. 2. Amateurs are highly recommended to construct and hold portfolios instead of individual stocks, but as they were shown not to have a good hand in portfolio construction, using the algorithms is a wise action, at least in the beginning, those who are not capable of constructing portfolios, are leaded to buying investment corporations’ stocks to be a part of their portfolios indirectly. 3. As the input data did not cause any difference in performance, using annual input data is advised to the researchers and investors; because it needs fewer calculations and therefore, more efficiency while maintaining the same effectiveness in contrast to its monthly counterpart. 4. As the algorithms only used historical data to construct the portfolios, and they achieved a good performance in contrast to the experts and the market portfolio, the weak form of efficient market hypothesis, which approves digestion and reflection of historical data in stock prices, seems of no effect and is under question in Tehran Stock market.JEL classification: C61; C63; G11
Key words: Portfolio management and optimization; Modern portfolio theory (MPT); Evolutionary and heuristic optimization; Genetic Algorithm; GA-Nelder-mead hybridized algorithm; Particle Swarm Optimization (PSO); Imperialist competitive Algorithm; Stock market Experts; Stock market Amateurs.
دانلود نسخه پی دی اف
شما می توانید نسخه پی دی اف کاملتری از این پست با خوانایی بیشتر را از این لینک دانلود کنید.
تماس با مولف و اطلاعات بیشتر
تماس با مولف پایان نامه و اطلاعات بیش تر در مورد نحوه دسترسی به پایان نامه را در این لینک (پایان نامه – انتخاب و بهينه سازی سبد سهام با استفاده از الگوریتم رقابت استعماری) ببینید.
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.