@article { author = {Ebrahimi, Seyed Babak and Aghaei, Mojgan and Mohebbi, Negin}, title = {Estimating Portfolio Value-at-Risk and Expected Shortfall by Possibility and Necessity Theory}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {193-216}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.218621.1006298}, abstract = {One of the main concerns of investors and financial managers is the way of dealing with investment risk; thus identification, calculation and management of risk are important issues in financial fields. So, in this study, the portfolio value-at-risk and expected shortfall are estimated by considering uncertainty in risk factors. The concept of fuzzy random variable, specifically possibility and necessity theory, is used to face uncertainty in financial data. In the following, the terms of fuzzy value-at-risk and expected shortfall introduced with assuming normal and t-student distribution and considering both state of fixed and stochastic for uncertainty factor. The results indicate that assumptions of t-student distribution and stochastic uncertainty factor make the estimation of both risk measures to be more conservative.}, keywords = {Expected shortfall,Fuzzy random variable,Possibility and necessity theory,uncertainty,Value-at-risk}, title_fa = {برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با استفاده از نظریۀ امکان و الزام فازی}, abstract_fa = {یکی از نگرانی‌های اصلی سرمایه‌گذاران و مدیران مالی، نحوۀ رویارویی با ریسک سرمایه‌گذاری و نوسان‎های بازده است؛ از این رو شناسایی، اندازه‌گیری و مدیریت ریسک، از موضوعات مهم در مباحث مالی تلقی می‌شود. در سال‌های اخیر، کانون توجه بسیاری از شرکت‌های مالی به معیار ارزش در معرض ریسک و ریزش مورد انتظار برای اندازه‌گیری ریسک پرتفوی است. از جمله مهم‎ترین مشکلات روش‌های ارائه شده در اندازه‌گیری ریسک، در نظر نگرفتن عدم قطعیت موجود در داده‌های مالی است. به همین دلیل در پژوهش پیش رو برای تطابق بیشتر مدل با واقعیت، به برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با لحاظ عدم ‌قطعیت داده‌ها، پرداخته می‌شود. در این رابطه از مفهوم متغیر تصادفی فازی و نظریۀ امکان و الزام فازی، به‎منظور پوشش عدم‌قطعیت موجود در داده‌های مالی، استفاده شده است. در نظر گرفتن عوامل ریسک به‎صورت متغیر تصادفی، این امکان را برای سرمایه‌گذار فراهم می‌کند که با پذیرش سطح خاصی از عدم قطعیت، میزان ریسک پرتفوی خود را برآورد کند. علاوه‎بر این در پژوهش پیش رو، کلیه برآوردها با دو فرض توزیع نرمال و تی استیودنت انجام شده و نتایج به‎دست آمده از حل مدل با داده‌های عددی، نشان‎دهندۀ این است که لحاظ توزیع t و نیز عوامل ریسک به‎صورت متغیر تصادفی، سبب ایجاد برآوردهای محافظه‌کارانه‌تری برای دو سنجۀ مد نظر شده است.}, keywords_fa = {ارزش در معرض ریسک,ریزش موردانتظار,عدم قطعیت,متغیرهای تصادفی فازی,نظریۀ امکان و الزام فازی}, url = {https://jfr.ut.ac.ir/article_64809.html}, eprint = {https://jfr.ut.ac.ir/article_64809_aa1cae9846a349ce24248cbfa8f4665e.pdf} } @article { author = {Hosseini, Seyed Ali and Salehifar, Mohammad and Nilchi, Moslem}, title = {Examining the Effect of Ramazan and Muharram on the Risk and Return of Mutual Funds in Iran Capital Market}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {217-238}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.212407.1006255}, abstract = {Risk and return of active mutual funds in Iran capital market. We apply multiple regression analysis, correlogram tests and GARCH model between 2008 – 2014 years to test the data. Findings show that there are some positive and negative relationships in return and risk of some mutual funds, however it is not generalized to all mutual funds as a regularity or behavior. In other words, there is no irrational trend in mutual funds’ risk and return. According to the results, there is no irrational return which has significant effect on all mutual funds in the sample of this study. Therefore, the public opinion including a decrease in return of mutual funds during Ramazan and Muharram months is invalid.}, keywords = {Behavioral finance,GARCH Model,Mutual Funds,Return,risk}, title_fa = {بررسی اثر ماه‎های رمضان و محرم بر ریسک ‌و بازدهی صندوق‎های سرمایه‎گذاری مشترک در بازار سرمایۀ ایران}, abstract_fa = {مطالعۀ حاضر به بررسی اثر ماه­های رمضان و محرم بر ریسک و بازدهی صندوق‎های سرمایه‎گذاری مشترک و فعال در بازار سرمایۀ ایران می­پردازد. این بررسی با استفاده از تجزیه و تحلیل رگرسیون چند متغیره، آزمون­های خود همبستگی و مدل گارچ در بازۀ زمانی 25/5/1388 تا 25/5/1394 صورت پذیرفته است. یافته‎های پژوهش نشان می‎دهد، اگرچه برخی روابط مثبت و منفی در بازده و ریسک تعدادی از صندوق­های سرمایه­گذاری مشترک دیده می­شود، نمی‎توان آن را به‎صورت یک قاعده یا رفتار کلی به تمام صندوق­های سرمایه‎گذاری مشترک نسبت داد. به بیان دیگر، روند غیرعادی در بازدهی و ریسک صندوق‎های سرمایه‎گذاری مشترک طی ماه‎های رمضان و محرم دیده نمی‎شود. با توجه به نتایج پژوهش می‎توان گفت که در تمام صندوق‎های سرمایه‎گذاری مشترک مورد مطالعه، بازدهی غیرمعقولی که دارای تأثیر معناداری باشد، مشاهده نمی‎شود و تفکر عام مبنی بر وقوع رکود و کاهش در بازدهی صندوق‎های سرمایه‎گذاری مشترک در ماه‎های رمضان و محرم به تأیید نمی‎رسد.}, keywords_fa = {بازده,ریسک,صندوق‎های سرمایه‌گذاری مشترک,مالی رفتاری,مدل گارچ}, url = {https://jfr.ut.ac.ir/article_64810.html}, eprint = {https://jfr.ut.ac.ir/article_64810_abc060b80d7dd97ecabdefc7ed278566.pdf} } @article { author = {Rastegar, Mohammad Ali and Saedi Far, Khatereh}, title = {Optimal Execution Strategy: An Agent-based Approach}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {262-239}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.240979.1006510}, abstract = {Investors who want to execute large orders always have to trade-off between price effect and opportunity cost. The purpose of this research is to investigate an optimal way to execute such orders. In this research we consider the possibility of order types and the optimal trading strategy based on the volume weighted average price (VWAP), using historical data of a share in Tehran Stock Exchange. In the simulated trading market, we also consider the price effect for large orders. The results show that for a large order on buy-side, execution strategy adopting multiple order types can perform better than those using single order type. The optimal strategy has managed to reduce the volume weighted average price (transaction costs) by 0.137 percent compared to the market.}, keywords = {Agent-based Simulation,Algorithmic Trading,Execution cost,Price impact,Trade execution strategy}, title_fa = {استراتژی بهینۀ اجرای معاملات بزرگ با رویکرد شبیه‌سازی عامل‎گرا}, abstract_fa = {سرمایه­گذارانی که خواهان اجرای سفارش‎های بزرگ هستند، همواره با موازنۀ اثر قیمتی و هزینۀ فرصت (ریسک اجرای معامله) مواجه­اند. هدف از این پژوهش، یافتن روش بهینه‎ای برای اجرای چنین سفارش‎هاست. این پژوهش با استفاده از داده­های تاریخی سهام در بورس اوراق بهادار تهران، ابتدا احتمال انواع سفارش‎گذاری‎ها شامل سفارش بازار، سفارش در شکاف قیمتی و سفارش محدود را برای سمت خرید و سمت فروش به‎طور جداگانه محاسبه کرده، سپس استراتژی بهینۀ معاملاتی را بر اساس معیار قیمت میانگین موزون حجمی (VWAP) بررسی می‎کند. در بازار معاملاتی شبیه‌سازی‌شده، اثر قیمتی برای سفارش‎های بزرگ نیز در نظر گرفته شده است. روش شبیه‎سازی، روش عامل‎گرا است و برای آموزش عامل، از روش یادگیری کیو که یکی از روش­های یادگیری تقویتی است، استفاده کردیم. نتایج این پژوهش نشان می‌دهد برای هر سفارش بزرگ خرید، استراتژی با استفاده از انواع سفارش می‌تواند بهتر از استراتژی‌هایی با استفاده از تنها یک نوع سفارش باشد. استراتژی بهینه توانسته است به‌طور متوسط قیمت میانگین موزون حجمی (هزینه­های اجرای معاملات) را 137/0 درصد نسبت به بازار کاهش دهد.}, keywords_fa = {اثر قیمتی,استراتژی اجرای معاملات,شبیه‌سازی عامل‎گرا,معاملات الگوریتمی,هزینۀ اجرای معاملات}, url = {https://jfr.ut.ac.ir/article_64808.html}, eprint = {https://jfr.ut.ac.ir/article_64808_dcd363aef4e39af6195e8f0782c7b884.pdf} } @article { author = {Asoroosh, Abozar and Atrchi, Romina and Ramtinnia, Shahin}, title = {Portfolio Optimization Using Teaching-Learning Based Optimization (TLBO) Algorithm in Tehran Stock Exchange (TSE)}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {263-280}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.234738.1006462}, abstract = {Increasing the profits and reducing the risks have always been of the most important issues of concern to the investors in the financial markets. In recent years, many solutions and proposals have been suggested in respect to the frequency of portfolio optimization issue, with the highest return and the lowest possible risk. One of the most prominent suggestions is the Markowitz Model which is mostly known as the Modern Portfolio Theory. On the other hand, the TLBO algorithm which has been presented in 2010 is one of the most efficient meta-heuristic methods to solve the optimization problem. In this study, we are attempting to solve the portfolio optimization problem, according to the framework of the model introduced by Markowitz and using TLBO algorithm. For this purpose, the data related to the returns of 20 companies listed in TSE during the period 2012-2016 were collected. It is worth mentioning that four criteria including variance, mean absolute deviation, semi-variance and conditional value at risk (CvaR) were used in order to measure the risk level in this investigation.  }, keywords = {Conditional value at Risk (CvaR),Mean-variance model,Metaheauristic algorithms,Portfolio optimization,Teaching-Learning-Based Optimization (TLBO) algorithm}, title_fa = {بهینه‌سازی سبد سهام با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO) در بورس اوراق بهادار تهران}, abstract_fa = {افزایش بازده و کاهش ریسک، همواره یکی از مهم‌ترین مسائلی است که سرمایه‌گذاران در بازارهای مالی به آن توجه می‎کنند. با وجود سابقۀ طولانی بهینه‌سازی سبد سهام، الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری که در سال 2010 معرفی شده است، یکی از کاراترین روش‌های فرا‌ابتکاری، برای حل مسائل بهینه‌سازی است. در این پژوهش، سعی شده است مسئلۀ بهینه‌سازی سبد سهام، در چارچوب مدل معرفی شدۀ مارکوویتز، با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری حل شود. بدین منظور، از بازدهی‌های روزانۀ 20 شرکت پذیرفته شده در بورس اوراق بهادار تهران که دارای نقدینگی بالا در بازۀ زمانی 1391 تا 1395 بودند، استفاده شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری، نسبت به سایر الگوریتم‏ها برای یافتن مرز کارا و بهینه‌سازی سبد سهام، عملکرد بهتری دارد.}, keywords_fa = {ارزش در معرض ریسک مشروط,الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری,بهینه‌سازی سبد سهام,روش‌های فراابتکاری,مدل میانگین ـ واریانس}, url = {https://jfr.ut.ac.ir/article_64811.html}, eprint = {https://jfr.ut.ac.ir/article_64811_4a9a8a27d832af560fded76e7bda8482.pdf} } @article { author = {Shahbazi, Kiumars and Feizi, Soleiman and Fattahi, Sayyed yousef}, title = {Investigation of the Common Stochastic Trends between Stock Price Index of Tehran Stock Exchange and Stock Markets of Main Trading Partner}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {281-298}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.216492.1006286}, abstract = {The main purpose of this article is about investigation of cointegration and transactional between index price of Iran stock market and stock market of the most main trading partners of country and also analysis of common stochastic trends available between them during 2007-2015. To achieve to this goal, Johansen-Juselius method (1992), Gonzalo and Granger method (1995) have been used.The results show that there is a cointegration vector relation and finally 3 common stochastic trend between investigation markets show the incomplete long-term integration between these groups of variables. On one hand, the results of common stochastic trend during the period under Tehran stock exchange review show that there is low participation in common stochastic, and on the other hand, it has showed high reactions toward of those trends. Finally, according to weak convergence between index price of  selected markets can be achieved to its  profits by international portfolio diversification.}, keywords = {Cointegration,Common stochastic trend,Gonzalo and Granger (1995),Stock price index,Trading partner}, title_fa = {بررسی روندهای تصادفی مشترک بین شاخص قیمت سهام بورس اوراق بهادار تهران و بازارهای سهام شرکای اصلی تجاری}, abstract_fa = {هدف اصلی مقالۀ حاضر، بررسی هم­پیوندی و رفتار متقابل بین شاخص قیمت بازار سهام ایران و بازار سهام عمده­ترین شرکای تجاری کشور و همچنین تحلیل روندهای تصادفی مشترک موجود بین آنها برای دورۀ 2015-2007 است. برای نیل به این هدف از روش یوهانسن و یوسیلیوس (1992) و رهیافت گونزالو و گرنجر (1995) استفاده شد. نتایج به‎دست آمده، وجود رابطۀ هم­جمعی و سه روند تصادفی مشترک بین بازارهای بررسی‎شده را نشان می‎دهد که منعکس‎کنندۀ کامل نبودن یکپارچگی بلند­مدت بین این گروه از متغیرها است. نتایج تحلیل روندهای تصادفی مشترک نیز گویای این واقعیت است که طی دورۀ بررسی، شاخص قیمت سهام بورس اوراق بهادار تهران از یک سو، مشارکت کم‎رنگی در روندهای تصادفی موجود دارد و از سوی دیگر، واکنش شدیدی نسبت به روندهای یاد شده از خود نشان داده است. در نهایت، با توجه به همگرایی ضعیف بین شاخص قیمت بازارهای منتخب، با متنوع‎سازی بین­المللی سبد سهام می­توان به منافع حاصل از آن دست یافت.}, keywords_fa = {روند تصادفی مشترک,رهیافت گونزالو و گرنجر,شاخص قیمت سهام,شرکای تجاری,هم‌جمعی}, url = {https://jfr.ut.ac.ir/article_64812.html}, eprint = {https://jfr.ut.ac.ir/article_64812_fc23e1d89ca18de8ac741b3aa4827339.pdf} } @article { author = {Fakhari, Hossein and Valipour Khatir, Mohammad and Mousavi, Maedeh}, title = {Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {299-318}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.214203.1006264}, abstract = {Accurate forecasting of stock prices according to high volatility and inherent risk of stock market is a major concern of investors and financial analysts, hence applying novel approaches to predict the stock priceisan inevitable necessity. Accordingly, the purpose of this research is to compare the performance of forecasting models such as neural network with classical model and introducing appropriate model to forecast tomorrow stock price. The daily market prices data and financial indicator have been used as input variables for designing neural network model and daily closing price data set as input variable for designing ARIMA and also tomorrow's closing price is considered as output variable from 2011to2014. The results show that the Bayesian neural network represents less error sand higher Predictive power than the ARIMA model. The findings indicate the efficiency of Bayesian neural network incapture short-term investment opportunities and also can help investors to choose the appropriate portfolio and to obtain more returns.}, keywords = {Autoregressive Integrated Moving Average (ARIMA),Bayesian learning function,Levenberg-Marquardt learning function,neural network,Predicting stock prices}, title_fa = {بررسی عملکرد شبکۀ عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل‎های کلاسیک در پیش‎بینی قیمت سهام شرکت‎های سرمایه‎گذاری}, abstract_fa = {پیش‌بینی دقیق قیمت سهام، با توجه به نوسان‎های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه‌های اصلی سرمایه‎گذاران و تحلیل‎گران مالی است، از این رو به‎کارگیری رویکردهای نوین پیش‌بینی قیمت سهام ضرورت اجتناب‎ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسۀ عملکرد مدل‌های پیش‎بینی شبکۀ عصبی با مدل‌های کلاسیک و معرفی مدل مناسب برای پیش‌بینی قیمت روز آتی سهام است. برای طراحی مدل‌ پیش‌بینی با شبکۀ عصبی، از داده‌های قیمت روزانۀ بازار و شاخص‌های تکنیکی مالی به‎عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده‌های قیمت بسته‎شدن روزانه به‎عنوان متغیر ورودی و همچنین قیمت بسته‎شدن روز آتی به‎عنوان متغیر خروجی هر دو مدل در دورۀ زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به‎دست آمده با شبکۀ عصبی بیزین بیان‎کنندۀ خطای کمتر و قدرت پیش‎بینی بیشتر آن در مقایسه با مدل آریما است. یافته‌های تحقیق گویای کارایی بیشتر شبکۀ عصبی بیزین در استفاده از فرصت‌های سرمایه‌گذاری کوتاه‎مدت بازار است که می‌تواند به سرمایه‌گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.}, keywords_fa = {آریما,پیش‎بینی قیمت سهام,تابع آموزش بیزین,تابع آموزش لونبرگ مارکوات,شبکۀ عصبی}, url = {https://jfr.ut.ac.ir/article_64813.html}, eprint = {https://jfr.ut.ac.ir/article_64813_1efb3efa1b885ef500ff472157216a96.pdf} } @article { author = {Nabizade, Ahmad and Gharehbaghi, Hadi and Behzadi, Adel}, title = {Index Tracking Optimization under down Side Beta and Evolutionary Based Algorithms}, journal = {Financial Research Journal}, volume = {19}, number = {2}, pages = {319-340}, year = {2017}, publisher = {University of Tehran}, issn = {1024-8153}, eissn = {2423-5377}, doi = {10.22059/jfr.2017.226501.1006374}, abstract = {Portfolio optimization is the one of most important problems in financial theory. Different strategies can be selected to manage the portfolio that include two kinds is called passive and active. Index tracking is one of most important passive approach. So, there are different models and algorithms to make index tracking portfolio. The aim of this research is analyze of down side beta in the index tracking portfolio. So, three models are presented. Then, to solve these models, evolutionary algorithms include genetic and deferential evolutionary algorithm is used. To show sufficiency of the models, Tehran stock exchange data are selected. Results show the model based down side beta with deferential evolutionary algorithm has higher efficiency Compared with two another models.  }, keywords = {Deferential evolutionary algorithms,Down side beta,Evolutionary algorithms,Genetic Algorithm,Index tracking}, title_fa = {بهینه‌سازی پرتفوی ردیابی شاخص بر اساس بتای نامطلوب مبتنی بر الگوریتم‌های تکاملی}, abstract_fa = {بهینه‌سازی سبد سهام همواره یکی از با اهمیت‌ترین مسائل در علوم مالی است. استراتژی‌های مختلفی برای مدیریت پرتفوی سبد سهام استفاده شده‎اند که به‎طور عمده می‎توان آنها را بر دو نوع فعال و غیرفعال دسته‎بندی کرد. یکی از مهم‌ترین رویکردهای مدیریت غیرفعال پرتفوی، تشکیل پرتفوی ردیاب شاخص است. به‎منظور تشکیل پرتفوی ردیاب شاخص از مدل‌ها و الگوریتم‌های مختلفی استفاده می‌شود. پژوهش پیش ‌رو به‎منظور بررسی عملکرد پرتفوی ردیاب شاخص با رویکرد نامتقارن و وارد کردن بتای نامطلوب در مدل ردیاب شاخص برای بهبود عملکرد آن است. به این منظور، ضمن به‎کارگیری سه مدل برای ردیابی شاخص، از دو الگوریتم تکاملی ژنتیک و تکامل دیفرانسیلی برای حل مدل مد نظر بهره برده شد. به‎منظور بررسی کارایی مدل نیز، از داده‌های بورس اوراق بهادار تهران استفاده شده است. نتایج در انتها نشان داد مدلی که بر مبنای بتای نامطلوب ارائه‎شده و توسط الگوریتم تکامل دیفرانسیلی حل شده است، کارایی بیشتری دارد.}, keywords_fa = {الگوریتم‌های تکاملی,الگوریتم تکامل دیفرانسیلی,الگوریتم ژنتیک,بتای نامطلوب,ردیابی شاخص}, url = {https://jfr.ut.ac.ir/article_64814.html}, eprint = {https://jfr.ut.ac.ir/article_64814_09535564a5176de3bf3c0507e1f7282e.pdf} }