ORIGINAL_ARTICLE
برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با استفاده از نظریۀ امکان و الزام فازی
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.
https://jfr.ut.ac.ir/article_64809_aa1cae9846a349ce24248cbfa8f4665e.pdf
2017-07-23
193
216
10.22059/jfr.2017.218621.1006298
ارزش در معرض ریسک
ریزش موردانتظار
عدم قطعیت
متغیرهای تصادفی فازی
نظریۀ امکان و الزام فازی
سید بابک
ابراهیمی
b_ebrahimi@kntu.ac.ir
1
استادیار گروه مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
AUTHOR
مژگان
آقایی شیخ رضی
aghaei.mojgan@yahoo.com
2
دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
LEAD_AUTHOR
نگین
محبی
mohebbi.negin@yahoo.com
3
کارشناس ارشد مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
AUTHOR
فلاحپور، س.؛ احمدی، ا. (2014). تخمین ارزش در معرض ریسک پرتفوی نفت و طلا با بهرهمندی از روش کاپیولاـ گارچ. فصلنامۀ علمی ـ پژوهشی تحقیقات مالی، 16(2)، 326- 309.
1
فلاحپور، س.؛ رضوانی، ف.؛ رحیمی، م. (2015). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدلهای ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. دانش مالی تحلیل اوراق بهادار، 8(26)، 18-1.
2
گرجی، م.؛ سجاد، ر. (1395). برآورد ارزش در معرض خطر چند دورهای بر پایۀ روشهای شبیهسازی و پارامتریک. تحقیقات مالی، 18(1)، 184-167.
3
عبده تبریزی، ح.؛ شریفیان، ر. (2001). بررسی اثر ریسک نامطلوب بر عملکرد تعدیل شده بر اساس ریسک شرکتهای سرمایهگذاری پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 9(3)، 20-3.
4
Abdoe-Tabrizi, H. & Sharifian, R.A. (2001). The impact of downside risk on risk-adjusted performance of investment companies in the (Tehran Stock Exchange). Quarterly Journal of Securities Exchange, 1(1), 35-70.
5
(in Persian)
6
Artzner, P. & Delbaen, F. & Eber, J.M. & Heath, D. (1997). Thinking coherently. Risk, 10, 68–71.
7
Assaf, A. (2015). Value-at-Risk analysis in the MENA equity markets: Fat tails and conditional asymmetries in return distributions. Journal of Multinational Financial Management, 29, 30-45.
8
Embrechts, P. & McNeil, A. & Straumann, D. (2002). Correlation and dependence in risk management: properties and pitfalls. Cambridge, Cambridge University Press.
9
Fallahpour, S. & Ahmadi, E. (2015). Estimating Value at Risk of Portfolio of Oil and Gold by Copula-GARCH Method. Journal of Financial Research, 16(2), 309-326. (in Persian)
10
Fallahpour, S. & Rezvani, F. & Rahimi, M. (2015). Forecasting Conditional Value-at-Risk by Using Symmetric & Asymmetric Conditional Volatility Models in Gold & Oil Market. Financial Knowledge of Securities Analysis, 8(26), 1-18. (in Persian)
11
Fama, E. (1965). The behavior of stocks market prices. Journal of Business, 38(1), 34–105.
12
Fang, K. T., Kotz, S. & Ng, K. W. (1987). Symmetric multivariate and related distributions. Chapman and Hall.
13
Glasserman, P. & Heidelberger, P. & Shahabuddin, P. (2002). Portfolio Value‐at‐Risk with Heavy‐Tailed Risk Factors. Mathematical Finance, 12(3), 239-269.
14
Hosking, J.R.M. & Bonti, G. & Siegel, D. (2000). Beyond the lognormal. Risk, 13 (5), 59–62.
15
Kamdem, J.S. & Moussa, A.M. & Terraza, M. (2012). Fuzzy risk adjusted performance measures: Application to hedge funds. Insurance: Mathematics and Economics, 51(3), 702-712.
16
Kamdem, J.S. (2005). Value-at-Risk and expected shortfall for linear portfolios with elliptically distributed risk factors. International Journal of Theoretical and Applied Finance, 8(05), 537-551.
17
Kamdem, J.S. (2009). Δ-VaR and Δ-TVaR for portfolios with mixture of elliptic distributions risk factors and DCC. Insurance: Mathematics and Economics, 44(3), 325-336.
18
Kelker, D. (1970). Distribution theory of spherical distributions and a location-scale parameter generalization. Sankhyā: The Indian Journal of Statistics, Series A, 32(4), 419-430.
19
Kjellson, B. (2013). Forecasting expected shortfall: an extreme value approach (Bachelor's Thesis), Lund university.
20
Kwakernaak, H. (1978). Fuzzy random variable definitions and theorems. Information Sciences, 15(1), 1-29.
21
Lopez, J.A. & Walter, C.A. (2000). Evaluating covariance matrix forecasts in a value-at-risk framework. Federal Reserve Bank of San Francisco.
22
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
23
Mandelbrot, B. (1963). The variation of certain speculative prices. Journal of Business, 36(4), 394 - 419.
24
Martins, C. & Yao, F. (2006). Estimation of value-at-visk and expected shortfall based on nonlinear models of return dynamics and extreme value theory. Berkeley Electronic Press.
25
McNeil, A.J. & Frey, R. (2000). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Journal of Empirical Finance, 7(3), 271-300.
26
Morgan, J.P. (1996). Riskmetrics technical document (4th ed.). New York.
27
Moussa, A. M., Kamdem, J. S., & Terraza, M. (2014). Fuzzy value-at-risk and expected shortfall for portfolios with heavy-tailed returns. Economic Modelling, 39, 247-256.
28
Olson, D. L. & Wu, D. (2013). The impact of distribution on value-at-risk measures. Mathematical and Computer Modelling, 58(9), 1670-1676.
29
Puri, M.L. & Ralescu, D.A. (1996). Fuzzy random variables. Journal of Mathematical Analysis & Applications, 114: 409–422.
30
Rostami Noroozabad, M. & Shojaei, A. & Khezri, M. & Rahmani Noroozabad, S. (2015). Estimation of value at risk of return in Tehran Stock Exchange using wavelet analysis. Journal of Financial Research, 17(1), 59-82. (in Persian)
31
Sajjad, R. & Gorji, M. (2016). Estimation of multi-period VaR based on the simulation and parametric methods. Journal of Financial Research, 18(1), 167-184. (in Persian)
32
Smimou, K. & Bector, C. R. & Jacoby, G. (2008). Portfolio selection subject to experts' judgments. International Review of Financial Analysis, 17(5), 1036-1054.
33
Yoshida, Y. (2009). An estimation model of value-at-risk portfolio under uncertainty. Fuzzy Sets and Systems, 160(22), 3250-3262.
34
Wang, Z. & Kilr, G.J. (1993). Fuzzy Measure Theory. Plenum Press, New York.
35
Zadeh, L.A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
36
Zimmermann, H.J.) 2001(. Fuzzy Set Theory and its Applications. Kluwer.
37
ORIGINAL_ARTICLE
بررسی اثر ماههای رمضان و محرم بر ریسک و بازدهی صندوقهای سرمایهگذاری مشترک در بازار سرمایۀ ایران
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.
https://jfr.ut.ac.ir/article_64810_abc060b80d7dd97ecabdefc7ed278566.pdf
2017-07-23
217
238
10.22059/jfr.2017.212407.1006255
بازده
ریسک
صندوقهای سرمایهگذاری مشترک
مالی رفتاری
مدل گارچ
سید علی
حسینی
hosseinira@yahoo.com
1
استادیار گروه حسابداری، دانشکدۀ علوم اجتماعی و اقتصاد دانشگاه الزهرا (س)، تهران، ایران
AUTHOR
محمد
صالحی فر
salehifar_mohammad@yahoo.com
2
دانشجوی دکتری مدیریت مالی، دانشکدۀ مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
LEAD_AUTHOR
مسلم
نیلچی
moslem.nilchi@gmail.com
3
دانشجوی دکتری مدیریت مالی، دانشگاه یزد، یزد، ایران
AUTHOR
آذر، ع.؛ مؤمنی، م. (1395). آمار و کاربرد آن در مدیریت. تهران: انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاهها (سمت).
1
تهرانی، ر.؛ بیگینیا، ح. (1391). بررسی تأثیر ماههای مذهبی بر بورس اوراق بهادار تهران. فصلنامۀ علمی ـ پژوهشی دانش سرمایهگذاری، 1(3)، 26-1.
2
راعی، ر.؛ باجلان، س. (1387). شناسایی و مدلسازی اثرات تقویمی بورس اوراق بهادار تهران با استفاده از مدلهای ARCH و GARCH. پژوهشهای اقتصادی، 8(4)، 47-21.
3
راعی، ر.؛ شیرزادی، س. (1387). بیقاعدگیهای تقویمی و غیر تقویمی در بازارهای مالی. فصلنامۀ بورس اوراق بهادار، 1(1)، 133- 101.
4
سوری، ع. (1392). اقتصادسنجی جلد 1و 2 همراه با کاربردEviews 8 & Stata12. تهران: انتشارات فرهنگشناسی.
5
شاهوردیانی، ش.؛ گودرزی، ا.؛ وحدتزیرک، س. (1392). بررسی تأثیر رویدادهای تقویمی هجری قمری بر بازده سهام و حجم معاملات روزانه در بورس اوراق بهادار تهران. فصلنامۀ علمی ـ پژوهشی دانش سرمایهگذاری، 2(6)، 212- 195.
6
Agrawal, A. & Tandon, K. (1994). Anomalies or Illusions? Evidence from Stock Market in Eighteen Countries. Journal of International Money and Finance, 13, 83-106.
7
Ariel, R. (1990). High stock returns before holidays: Existence and evidence on possible causes. Journal of Finance, 45)5(, 1611–1626.
8
Azar, A., Momeni, M. (2016). Statistics and its application in management. Tehran, Samt Publication. (in Persian)
9
Balaban, E., Bulu, M. (1996). Is There a Semi-Monthly Effect in the Turkish Stock Market? Discussion Paper, Research and Monetary Policy Department, Central Bank of the Republic of Turkey.
10
Bialkowski, J. P., Etebari, A. & Wisniewski, T. P. (2009). Piety and Profits: Stock Market Anomaly during the Muslim Holy Month. Finance and Corporate Governance Conference 2010 Paper; PP. 1-49.
11
Białkowski, J., Bohi, M.T., Kaufmann, P., Wisniewski, T.P. (2013). Do mutual fund managers exploit the Ramadan anomaly? Evidence from Turkey, Emerging Markets Review, (15), 211–232.
12
Blackman, S.C., Holden, K., Thomas, W.A. (1994). Long-term relationships between international share prices. Applied Financial Economics, 4, 297–304.
13
Coutts, J.A., Hayes, P.A. (1999). The weekend effect, the stock exchange account and the financial times industrial ordinary shares index. Applied Financial Economics, 9, 67–71.
14
Frider, L. & Subrahmanyam, A. (2004). Perspectives: Nonsecular Regularities in Return and Volume. Financial Analysts Journal, 60(4), 29-34.
15
Haugen, R.A., Lakonishok, J. (1988). The Incredible January effect: the stock market's unsolved mystery. Homewood, IL: Irwin Professional Publication.
16
Husain, F. (1998). A Seasonality in the Pakistani Equity Market: The Ramadhan Effect. The Pakistan Development Review, 37(1), 77-81.
17
Mills, T.C., Coutts, J.A. (1995). Calendar effects in the London Stock Exchange FT-SE Indices. European Journal of Finance, 1, 79–94.
18
Raei, R., Bajalan, S. (2009). Identification and Modeling Tehran Stock Exchange Calendar Effects with ARCH and GARCH Models, Quarterly Journal of the Economic Research, 8(4), 21:47. (in persian)
19
Raei, R., Shirzadi, S. (2008). Calendar and non-calendar Anomalies in Financial Markets. Quarterly Journal of Securities and Exchange, 1 (1), 101-133.
20
(in Persian)
21
Reinganum, M. )1983(. The Anomalous stock market behavior of small firms in January. Journal of Financial Economics, 12(1), 89-104.
22
Seyyed Fazel, J., Abraham, A. & Al-Hajji, M. (2005). Seasonality in stock returns and volatility: The Ramadan effect, Research in International Business and Finance, 19(3), 374–383.
23
Shahverdiani, Sh., Goodarzi, A., Vahdatzirak, S. (2013). Examination of Hejri-Ghamari Calendar Events Effects on Return of Stocks and Daily Trading Volume in Tehran Stock Exchange. Quarterly Journal of Investment Knowledge, 2 (6), 195-212. (in Persian)
24
Suri, A. (2015). Econometrics. Tehran, Farhangshenasi Publication. (in Persian).
25
Tehrani, R., Beiginia, H. (2012). Examination of Religious months effects on Tehran Stock Exchange. Quarterly Journal of Investment Knowledge, 1 (3), 1-26. (in Persian)
26
Thaler, R.H. (1987). The January effect. Journal of Economic Perspectives, 1, 197–201.
27
Wachtel, S. (1942). Certain Observations on Seasonal Movements in Stock Prices. Journal of Business, 15(2), 184-193.
28
ORIGINAL_ARTICLE
استراتژی بهینۀ اجرای معاملات بزرگ با رویکرد شبیهسازی عاملگرا
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.
https://jfr.ut.ac.ir/article_64808_dcd363aef4e39af6195e8f0782c7b884.pdf
2017-07-23
262
239
10.22059/jfr.2017.240979.1006510
اثر قیمتی
استراتژی اجرای معاملات
شبیهسازی عاملگرا
معاملات الگوریتمی
هزینۀ اجرای معاملات
محمد علی
رستگار
ma_rastegar@modares.ac.ir
1
استادیار گروه مهندسی مالی، دانشکدۀ مهندسی صنایع و سیستمها، دانشگاه تربیت مدرس، تهران، ایران
LEAD_AUTHOR
خاطره
ساعدی فر
kh.saedifar@gmail.com
2
کارشناس ارشد مهندسی مالی، دانشکدۀ علوم مالی، دانشگاه خوارزمی، تهران، ایران
AUTHOR
احمدپور، ا.، نصیری، م. (1395). بررسی تأثیر قیمت معاملات بلوک در بازار سهام ایران. مجلۀ تحقیقات مالی، 18(1)، 38-23.
1
گلارضی، غ.، ضیاچی، ع. (1393). بررسی رفتار جمعی سرمایهگذاران در بورس اوراق بهادار تهران با رویکردی مبتنی بر حجم معاملات. مجلۀ تحقیقات مالی، 16(2)، 371- 359.
2
Admati, A.R. (1985). A noisy rational expectations equilibrium for multi-asset securities Markets. Econometrica: Journal of the Econometric Society, 53(3), 629 - 657.
3
Agliardi, R. & Gençay, R. (2017). Optimal trading strategies with limit orders. International Journal of Theoretical and Applied Finance, 20(01), 1-16.
4
Ahmadpour, A. & Nasiri, M. (2016). Surveying Price impact of block trades in the Iran stock market. Journal of Financial Research, 18(1), 23-38.
5
(in Persian)
6
Alfonsi, A., Fruth, A. & Schied, A. (2010). Optimal execution strategies in limit order books with general shape function. Quantitative Finance, 10 (2), 143–157.
7
Almgren, R. & Chriss, N. (2001). Optimal execution of portfolio transactions. Journal of Risk, 3(2), 5-39.
8
Berkowitz, S., Logue, D. & Noser, E. (1988). The total cost of transactions on the NYSE. Journal of Finance, 43 (1), 97–112.
9
Bertsimas, D. & Lo, A. W. (1998). Optimal control of execution costs. Journal of Financial Markets, 1 (1), 1-50.
10
Biais, B., Hillion, P. & Spatt, C. (1995). An empirical analysis of the limit order book and the order flow in the Paris Bourse. Journal of Finance, 50 (3), 1655–1689.
11
Cartea, A., Jaimungal, S. (2015). Optimal execution with limit and market orders. Journal.Quantitative Finance, 15(8), 1279-1291.
12
Cartea, Á. & Jaimungal, S. (2016). A closed-form execution strategy to target volume weighted average price. SIAM Journal on Financial Mathematics, 7(1), 760-785.
13
Chakravarty, S., Laughlin, R. B., Morr, D.K & Nayak, C. (2001). Hidden order in the cuprates. Physical Review B, 63 (9), 094503.
14
Chen, Y., Li, D. & Gao, X. (2017). Optimal Order Exposure in a Limit Order Market. Available at SSRN: http://dx.doi.org/10.2139/ssrn.2938377.
15
Cont, R. & Kukanov, A. (2017). Optimal order placement in limit order markets. Quantitative Finance, 17(1), 21-39.
16
Cui, W., Brabazon, A. & O'Neill, M. (2011). Dynamic trade execution: a grammatical evolution approach. International Journal of Financial Markets and Derivatives, 2 (1), 4-31.
17
Forsyth, P. A. (2011). A Hamilton–Jacobi–Bellman approach to optimal trade execution. Applied numerical mathematics, 61 (2), 241-265.
18
Foucault, T., Kaden, O. & Kandel, E. (2005). The limit order book as a market for liquidity. Review of Financial Studies, 18 (1), 1171–1217.
19
Glosten, L. & Milgrom, P. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of Financial Economics, 14 (1), 71–100.
20
Golarzi, G. & Ziyachi, A. (2014). A Survey in Investor Herding Behavior with Trading Volume Approach in Tehran Stock Exchange. Journal of Financial Research, 16(2), 359-371. (in Persian)
21
Guo, X. & Zervos, M. (2015). Optimal execution with multiplicative price impact. SIAM Journal on Financial Mathematics, 6(1), 281-306.
22
Handa, P. & Schwartz, R. (1996). Limit Order Trading. Journal of Finance, 51(5), 1835–1861.
23
Harris, L. & Hasbrouck, J. (1996). Market vs. Limit Orders - The Super DOT Evidence On Order Submission Strategy, Journal of Financial and Quantitative Analysis, 31 (2), 213–231.
24
Hendricks, D. & Wilcox, D. (2014). A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution. In Computational Intelligence for Financial Engineering & Economics (CIFEr), 2104 IEEE Conference on IEEE. 457-464.
25
Huitema, R. (2014). Optimal portfolio execution using market and limit orders. Available at SSRN: https://ssrn.com/abstract=1977553.
26
Johnson, B. (2010). Algorithmic Trading & DMA: An introduction to direct access trading strategies (Vol. 200). London: 4Myeloma Press.
27
Keim, D. B. & Madhavan, A. (1997). Transactions costs and investment style: an inter-exchange analysis of institutional equity trades. Journal of Financial Economics, 46 (3), 265-292.
28
Kissell, R. & Glantz, M. (2003). Optimal Trading Strategies. Amacom, USA.
29
Lin, Q., Chen, X. & Peña, J. (2015). A trade execution model under a composite dynamic coherent risk measure. Operations Research Letters, 43(1), 52-58.
30
Moazeni, S., Coleman, T. & Li, Y. (2010). Optimal Portfolio Execution Strategies and Sensitivity to Price Impact Parameters. SIAM Journal on Optimization, 20 (3), 1620-1654.
31
Obizhaeva, A. A. & Wang, J. (2013). Optimal trading strategy and supply/ demand dynamics. Journal of Financial Markets, 16 (1), 1-32.
32
Predoiu, S., Shaikhet, G. & Shreve, S. (2011). Optimal execution in a general one-sided limit-order book. SIAM Journal on Financial Mathematics, 2(1), 183-212.
33
Schmidt, A. (2010). Optimal Execution in the Global FX Market. Journal of Trading, 5 (3), 68–77.
34
ORIGINAL_ARTICLE
بهینهسازی سبد سهام با استفاده از الگوریتم بهینهسازی مبتنی بر آموزش و یادگیری (TLBO) در بورس اوراق بهادار تهران
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.
https://jfr.ut.ac.ir/article_64811_4a9a8a27d832af560fded76e7bda8482.pdf
2017-07-23
263
280
10.22059/jfr.2017.234738.1006462
ارزش در معرض ریسک مشروط
الگوریتم بهینهسازی مبتنی بر آموزش و یادگیری
بهینهسازی سبد سهام
روشهای فراابتکاری
مدل میانگین ـ واریانس
ابوذر
سروش
asoroosh@gmail.com
1
دکتری مدیریت مالی، دانشکدۀ مدیریت، دانشگاه تهران، تهران،ایران
AUTHOR
رومینا
عطرچی
romina.atrchi@ut.ac.ir
2
دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت،دانشگاه تهران، تهران، ایران
AUTHOR
شاهین
رامتین نیا
shahin.ramtinnia@ut.ac.ir
3
دانشجوی کارشناسی ارشد مهندسی مالی، دانشکدۀ مدیریت، دانشگاه تهران،تهران، ایران
LEAD_AUTHOR
اسلامی بیدگلی، غ.؛ هیبتی، ف. (1375). مدیریت پرتفوی با استفاده از مدل شاخصی. فصلنامۀ تحقیقات مالی، 3(1)، 25-6.
1
تهرانی، ر.؛ نوربخش، ع. (1392). تئوریهای مالی (مدیریت مالی پیشرفته). تهران: انتشارات نگاه دانش.
2
راعی، ر. (1377). طراحی مدل سرمایهگذاری مناسب در سبد سهام با استفاده از هوش مصنوعی (شبکههای عصبی). پایاننامۀ دورۀ دکتری، دانشکدۀ مدیریت دانشگاه تهران.
3
راعی، ر.؛ علی بیکی، ه. (1389). بهینهسازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات. فصلنامۀ تحقیقات مالی، 12 (29)، 40 – 21.
4
قدوسی، س.؛ تهرانی، ر.؛ بشیری، م. (1394). بهینهسازی سبد سهام با استفاده از روش تبرید شبیهسازیشده. فصلنامۀ تحقیقات مالی، 17 (9)، 158- 141.
5
گرکز، م.؛ عباسی، ا.؛ مقدسی، م. (1389). انتخاب و بهینهسازی سبد سهام با استفاده از الگوریتم ژنتیک بر اساس تعاریف متفاوتی از ریسک. مدیریت صنعتی، 5(11)، 136-115.
6
نویدی، ح.؛ نجومی ا.؛ میرزا زاده، ح. (1388). تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتمهای ژنتیک. تحقیقات اقتصادی، 44(4)، 262-243.
7
Anagnostopoulos, K.P., Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37 (7), 1285-1297.
8
Beale, E. M. L. & Forest, J. J. H. (1976). Global optimization using special ordered sets. Mathematical Programming, 10 (1), 52-69.
9
Bertsimas, D., Shioda, R. (2009). Algorithm for cardinality-constrained quadratic optimization. Computational Optimization and Applications, 43(1), 1–22.
10
Chang, T. J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27 (13), 1271-1302.
11
Deng, G. F., Lin, W. T. & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39 (4), 4558 – 4566.
12
Fernandez, A. & Gomez, S. (2007). Portfolio Selection Using Neural Networks. Computer & Operation Research, 34(4), 1177-1191.
13
Ghodusi, S., Tehrani, R. & Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Journal of Financial Research, 17(9), 141-158.
14
Gulpinar, N., An, L.T.H., Moeini, M. (2010). Robust investment strategies with discrete asset choice constraints using DC programming. Optimization, 59(1), 45-62.
15
Jia, J., Dyer, J. S. (1996). A Standard Measure of Risk and Risk-Value Models, Management Science, 42(12), 1691-1705.
16
Markowitz, H. M. (1952). Portfolio Selection. The Journal of Finance, 7(1) 77-91.
17
Navidi, H., Nojoomi, A., Mirzazadeh, H. (2009). Portfolio Selection in Tehran Stock Exchange Market with a Genetic Algorithm. Journal of Economic Research, 44(4), 243-262. (in Persian)
18
Raei, R. & Alibeiki, H. (2010). Portfolio optimization using particle swarm optimization method. Financial Research, 12 (29), 21-40. (in Persian)
19
Rao, R. V., Savsani, V. J. & Vakharia, D. P. (2012). Teaching–learning-based optimization: an optimization method for continuous non-linear large scale problems. Information sciences, 183(1), 1-15.
20
Shaw, D.X., Liu, S. & Kopman, L. (2008). Lagrangian relaxation procedure for cardinality-constrained portfolio optimization. Optimization Methods & Software, 23(3), 411-420.
21
Soleimani, H., Golmakani, H.R., Salimi, M.H. (2009). Markowitz-based portfolio selection with minimum transaction lots, cardinality constraints and regarding sector capitalization using genetic algorithm. Expert Systems with Applications, 36(3), 5058-5063.
22
Tehrani, R., Noorbakhsh, A. (2012). Financial Theories (Advanced Financial Management). Tehran, Negah-e-Danesh Publications. (in Persian)
23
Vielma, J.P., Ahmed, S., Nemhauser, G.L. (2008). A lifted linear programming branchand-bound algorithm for mixed-integer conic quadratic programs. INFORMS Journal on Computing, 20(3), 438-450.
24
Woodside-Oriakhi, M., Lucas, C., Beasley, J.E. (2011). Heuristic Algorithms for The Cardinality Constrained Efficient Frontier. European Journal of Operational Research, 213(3), 538-550.
25
ORIGINAL_ARTICLE
بررسی روندهای تصادفی مشترک بین شاخص قیمت سهام بورس اوراق بهادار تهران و بازارهای سهام شرکای اصلی تجاری
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.
https://jfr.ut.ac.ir/article_64812_fc23e1d89ca18de8ac741b3aa4827339.pdf
2017-07-23
281
298
10.22059/jfr.2017.216492.1006286
روند تصادفی مشترک
رهیافت گونزالو و گرنجر
شاخص قیمت سهام
شرکای تجاری
همجمعی
کیومرث
شهبازی
k.shahbazi@urmia.ac.ir
1
دانشیار گروه اقتصاد، دانشگاه ارومیه، ارومیه، ایران
AUTHOR
سلیمان
فیضی
s.feizi@urmia.ac.ir
2
استادیار گروه اقتصاد، دانشگاه ارومیه، ارومیه، ایران
AUTHOR
سید یوسف
فتاحی
yousof.fattahi@gmail.com
3
دانشجوی دکتری گروه اقتصاد، دانشگاه ارومیه، ارومیه، ایران
LEAD_AUTHOR
ابریشمی، ح. (1381). اقتصادسنجی کاربردی (رویکردهای نوین). تهران: انتشارات دانشگاه تهران.
1
ابونوری، ا.؛ عبدالهی، م.ر. (1390). ارتباط بازار سهام ایران، آمریکا، ترکیه و مالزی در یک مدل گارچ چند متغیره. فصلنامۀ بورس اوراق بهادار، 4(14)، 79-61.
2
رضایی، ا.؛ قرهگوز، ق. (1388). همگرایی مالی در غرب آسیا: یک ارزیابی اقتصادسنجی. مجموعه مقالات نوزدهمین کنفرانس سالانۀ سیاستهای پولی و ارزی. تهران: پژوهشکدۀ پولی و بانکی.
3
زاهدی تهرانی، پ. (1391). تبیین راهبرد سرایت نوسانات بازارهای سرمایۀ بینالمللی بر روی اوراق بهادار تهران. مطالعات مدیریت راهبردی، (11)، 153- 131.
4
ساعی، ا.؛ تقوی، م. (1383). اقتصاد سیاسی بینالملل تلاشی برای کسب قدرت و ثروت (چاپ سوم). تهران: نشر قومس.
5
سید حسینی، س. م.؛ ابراهیمی، س. ب. (1392). بررسی سرایت تلاطم بین بازارهای سهام؛ مطالعۀ موردی بازار سهام ایران، ترکیه و امارات. فصلنامۀ دانش مالی تحلیل اوراق بهادار، 6(16)، 97-81.
6
عباسی نژاد، ح.؛ گودرزی فراهانی، ی. (1392). اقتصادسنجی کاربردی با نرمافزارهای Eviews و Microfit (چاپ اول). انتشارات نور علم.
7
فلیحی، ن.؛ تیموری، م.؛ شاه کرم اوغلی، م. (1393). تحلیل تأثیر بازار بورس بینالمللی بر بازار بورس ایران: استفاده از رهیافت سیستم دینامیکی و GARCH. فصلنامۀ علوم اقتصادی، 8 (27)، 105-89.
8
کریمزاده، م. (1385). بررسی رابطۀ بلندمدت شاخص قیمت سهام با متغیرهای پولی. فصلنامۀ پژوهشهای اقتصادی ایران، 8 (26)، 54-41.
9
نوفرستی، م. (1387). ریشۀ واحد و همجمعی در اقتصاد سنجی. (چاپ دوم). مؤسسۀ خدمات فرهنگی رسا.
10
یزدان پرست، ع.؛ احدی سرکانی، س.ی. (1392). بررسی ارتباط بحرانهای مالی در بازارهای سرمایۀ عمدۀ جهان با شاخصهای سهام بورس اوراق بهادار تهران، قبل، طی و پس از بحران. فصلنامۀ دانش مالی تحلیل اوراق بهادار، 6(19)، 12-1.
11
Abasinejad, H. & Gudarzi Farahani, Y. (2014). Applied econometric, with Eviews and Microfit software. (1th ed). Noor Elm publication, Tehran. (in Persian)
12
Abounoori, E. & Abdollah, M. (2011). Relationship between Iran, USA, Turkey and Malaysia Stock Markets in a Multivariate GARCH Model. Journal of Securities Exchange, 4(14), 61-79. (in Persian)
13
Abrishami, H. (2002). Applied Econometrics (New Approaches). (1th ed). Publication of Tehran University. (in Persian)
14
Diamandis, P.F. (2009). International stock market linkages, Evidence from Latin America. Global Financial Journal, 20(1), 13-30.
15
Dimitris, B. & Xanthakis, M, (2003). International interdependence and dynamic linkagesbetween developed stock markets. South Eastern Europe Journal of Economics, (1), 105-130.
16
Eun Cheul, S. & Shim, S. (1989). International transmission of stock market movement. Journal of Financial and Quantitative Analysis, 24(2), 241-256.
17
Felihi, N. & Teimouri, M. & Shah Karam ughly, M. (2013). Analysis the effect of international stock market on Iran stock market: using of Dynamical systems approach and GARCH. Quarterly of economy science, 8 (27), 89-105.
18
(in Persian)
19
Flad, M. & Jung, T.R.C. (2005). A common factor analysis for the US and German stock markets during overlapping trading hours, Available at: http://www.sciencedirect.com.
20
Gonzalo, J. & Granger, C.W. (1995). Estimation of common long memory component in cointegration systems. Journal of Business and Economic Statistics, (13), 27-35.
21
Karimzade, M. (2006). Investigation of long term relation of stock price index with Monterey variables. Quarterly of Iran economy investigations. 8 (26), 41-54. (in Persian)
22
Kasa, K, (1992). Common stochastic trends in international stock markets. Journal of Empirical Finance, (1), 343-364.
23
Noufarasti, M. (2008). Unit Root & Co-Integration in Econometrics. (2nd ed). Publication of cultural service of Rasa (in Persian)
24
Ozdemir, Z.A. & Cakan, E. (2007). Non-linear dynamic linkages in the international stock markets. Physica A: Statistical Mechanics and its Applications, 377(1), 173-180.
25
Phylaktis,K, & Ravazzolo,F, (2005). Stock market linkages in emerging markets: implications for international portfolio diversification, Journal of International Financial Markets, Institutions and Money, No.15: 91-106.
26
Rezaei, E. & Garegoz, G. (2009). Financial convergence in west of Asia: econometrics evaluation. Complex articles of 19th annual conference of monetary and Foreign Exchange. Tehran. Monetary and bank institute. (in Persian)
27
Saei, A. & Taghavi, M. (2004). International Political Economy. The Struggle for Power and Wealth. Ghoomes Publishing, Tehran. (in Persian)
28
Seied Hosseini, S. M. & Ebrahimi, S. B. (2014). Investigation of Latm permeation between stock markets: (Case Study: Iran, Turkey, Emirate Stock Market). Quarterly of financial knowledge. Aanalysis of stock exchange, 6 (19), 81-97. (in Persian)
29
Syllignakis, M. & Kouretas, G.P. (2010). German, US and Central and Eastern European stovk market integration. Open Economics Review, 21(4), 607–628.
30
Wong, W. & Terrel, R.D & Lim, K. (2004). The relationship between stock market of major developed countries and Asian emerging markets. Journal of Applied Mathematics and Decision Sciences, 8(4), 201-208.
31
Yazdan Parast, A. & Vahedi Serkani, S. Y. (2014). Investigation of the relationship of financial crisis in main world stock markets with stock indexes of Tehran stock exchange, before, current and after crisis. Scientific- investigation finance knowledge quarterly of analysis of stock exchange, 6 (19), 1-12.
32
(in Persian)
33
Zahedi Teharani, P. (2012). Explained of strategy of fluctuation permeation of international investment markets on Tehran stock exchange. Strategy management studies, 3(11), 131-153. (in Persian)
34
ORIGINAL_ARTICLE
بررسی عملکرد شبکۀ عصبی بیزین و لونبرگ مارکوات در مقایسه با مدلهای کلاسیک در پیشبینی قیمت سهام شرکتهای سرمایهگذاری
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.
https://jfr.ut.ac.ir/article_64813_1efb3efa1b885ef500ff472157216a96.pdf
2017-07-23
299
318
10.22059/jfr.2017.214203.1006264
آریما
پیشبینی قیمت سهام
تابع آموزش بیزین
تابع آموزش لونبرگ مارکوات
شبکۀ عصبی
حسین
فخاری
h.fakhari@umz.ac.ir
1
دانشیار گروه حسابداری، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران
AUTHOR
محمد
ولی پور خطیر
m.khatir1461@gmail.com
2
استادیار گروه مدیریت صنعتی، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران
LEAD_AUTHOR
سیده مائده
موسوی
mosavi.maedeh12@yahoo.com
3
کارشناس ارشد حسابداری،، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران، مازندران، ایران
AUTHOR
آذر، ع.؛ کریمی، س. (1389). پیشبینی بازده سهام با استفاده از نسبتهای حسابداری با رویکرد شبکههای عصبی. فصلنامۀ تحقیقات مالی، 11(28)، 20-3.
1
رمضانیان، م. ر.؛ رمضانپور، ا.؛ پوربخش، س. ح. (1390)، رویکردهای جدید در پیش بینی با استفاده از شبکههای عصبی ـ فازی: قیمت نفت. پژوهشهای مدیریت در ایران، 15(3)، 168-149.
2
حنفیزاده، پ.؛ جعفری، ا. (1389). مدل ترکیبی شبکههای عصبی مصنوعی پیش خور و خودسازمانده کوهونن برای پیشبینی قیمت سهام. مطالعات مدیریت صنعتی، 8(19)، 187-165.
3
شمس، ش.؛ ناجی زواره، م. (1394). بررسی مقایسهای بین مدل ترکیبی سیستم ژنتیک فازی ـ عصبی خودسازمانده و مدل خطی در پیشبینی قیمت توافقی قراردادهای آتی سکۀ طلا. فصلنامۀ تحقیقات مالی، 17(2)، 239-258.
4
گرشاسبی، ع. (1389). بررسی مقایسهای عوامل پیشبینیکنندۀ بازده سهام در بورس اوراق بهادار تهران و بورس اوراق بهادار نیویورک با رویکرد شبکۀ عصبی و رگرسیون خطی. پایاننامۀ کارشناسی ارشد. دانشگاه مازندران.
5
محمد علیزاده، آ.؛ راعی، ر.؛ محمدی، ش. (1394). پیشبینی سقوط بازار سهام با استفاده از شبکههای عصبی نگاشت خود سازمانده. فصلنامۀ علمی ـ پژوهشی تحقیقات مالی، 17(1)، 178-159.
6
نمازی، م.؛ کیامهر، م. م. (1387). پیشبینی بازده روزانۀ سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکههای عصبی مصنوعی. تحقیقات مالی، 3(9)، 134-115.
7
Asadi, S., Hadavandi, E., Mehmanpazir, F. & Nakhostin, M. M. (2012). Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowledge-Based Systems, 35, 245-258.
8
Assaf, N. A. (2011). Mercado financeiro. (10th ed.). So Paulo: Editora Atlas.
9
Azar, A. & Karimi, S. (2010). Neural Network Forecasts of Stock Return Using Accounting Ratios. Journal of financial research, 11(28), 3-20. (in Persian)
10
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting. springer.
11
Chen, M. Y. & Chen, B. T. (2015). A hybrid fuzzy time series model based on granular computing for stock price forecasting. Information Sciences, 294, 227-241.
12
Chester, M. (1993). Neural networks: a tutorial. Prentice-Hall, Inc.
13
Dash, R. & Dash, P. (2016). Efficient stock price prediction using a Self Evolving Recurrent Neuro-Fuzzy Inference System optimized through a Modified technique. Expert Systems with Applications, 52, 75-90.
14
Garshasbi, A. (2010). A comparative study of stock returns predictors in Tehran Stock Exchange and New York Stock Exchange using neural network approach and linear regression. Master Thesis, University of Mazandaran.
15
(in Persian)
16
Hanafizade, P. & Jafari, A. (2010). The hybrid model of feed forward and kohonen’s self organizing artificial neural networks in predicting the stock price. Journal of Industrial Management Studies, 8(19), 165-187. (in Persian)
17
Hykin, S. (1999). Neural Networks: A Comprehensive Foundation. Printice-Hall, Inc., New Jersey.
18
Khashei, M. & Bijari, M. (2010). An artificial neural network model for timeseries forecasting. Expert Systems with Applications, 37(1), 479-489.
19
Li, X., Xie, H., Wang, R., Cai, Y., Cao, J., Wang, F. ..., & Deng, X. (2016). Empirical analysis: stock market prediction via extreme learning machine. Neural Computing and Applications, 27(1), 67-78.
20
Mohammad Alizadeh, A., Raie, R., Mohammadi, Sh. (2016). Prediction of stock market crash using self-organizing maps. Journal of financial research, 17(1), 159-178. (in Persian)
21
Monadjemi, S. A., Abzari, M. & Rayati Shavazi, A. (2009). Modeling of stock price forecasting in stock exchange market using fuzzy neural networks and genetic algorithms. Journal of Quantitative Economics, 6(22), 1-26.
22
Mostafa, M. M. (2010). Forecasting stock exchange movements using neural networks: Empirical evidence from Kuwait. Expert Systems with Applications, 37(9), 6302-6309.
23
Murat, Y. S. & Ceylan, H. (2006). Use of artificial neural networks for transport energy demand modeling. Energy Policy, 34(17), 3165-3172.
24
Namazi, M. & Kiamehr, M. M. (2008). Predicting Daily Stock Returns of Companies listed in Tehran Stock Exchange Using Artificial Neural Networks. Journal of financial research, 9(3), 115-134. (in Persian)
25
Patel, J., Shah, S., Thakkar, P. & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
26
Ramezanian, M. R., Ramezanpour, E., & Pourbakhsh, S. H. (2011). New Approaches in Forecasting Using Neuro-Fuzzy Networks (Case Study: The Crude Oil Price). Journal of management research in Iran, 15(3), 149-168. (in Persian)
27
Ramnath, S., Rock, S. & Shane, P. (2008). The financial analyst forecasting literature: A taxonomy with suggestions for further research. International Journal of Forecasting, 24(1), 34-75.
28
Rather, A. M., Agarwal, A. & Sastry, V. N. (2015). Recurrent neural network and a hybrid model for prediction of stock returns. Expert Systems with Applications, 42(6), 3234-3241.
29
Saeidi, A. & Aghaei, A. (2009). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of Accounting And Auditing Review, 16 (56), 59-78.
30
Şenol, D. & Özturan, M. (2010). Stock Price Direction Prediction Using Artificial Neural Network Approach: The Case of Turkey. Journal of artificial Intelligence, 3, 261-268.
31
Shams, Sh., NajiZavareh, M. (2016). Comparison between the Hybrid Model of Genetic Fuzzy and Self Organizing Systems and Linear Model to Predict the Price of Gold Coin Futures Contracts. Journal of financial research, 17(2), 239-258. (in Persian)
32
Sözen, A. & Arcaklioğlu, E. (2007). Prospects for future projections of the basic energy sources in Turkey. Energy Sources, Part B, 2(2), 183-201.
33
Ticknor, J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40(14), 5501-5506.
34
Van Eyden, R. J. (1996). The Application of Neural Networks in the Forecasting of Share Prices (Finance and Technology Publishing, Haymarket, VA.
35
Wei, L. Y. (2016). A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing, 42, 368-376.
36
ORIGINAL_ARTICLE
بهینهسازی پرتفوی ردیابی شاخص بر اساس بتای نامطلوب مبتنی بر الگوریتمهای تکاملی
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.
https://jfr.ut.ac.ir/article_64814_09535564a5176de3bf3c0507e1f7282e.pdf
2017-07-23
319
340
10.22059/jfr.2017.226501.1006374
الگوریتمهای تکاملی
الگوریتم تکامل دیفرانسیلی
الگوریتم ژنتیک
بتای نامطلوب
ردیابی شاخص
احمد
نبی زاده
ahmadnabizade@gmail.com
1
استادیار دانشکدۀ علوم مالی، دانشگاه خوارزمی، تهران، ایران
AUTHOR
هادی
قره باغی
hadi.gharehbaghi@gmail.com
2
کارشناس ارشد مدیریت مالی، دانشکدۀ علوم مالی، دانشگاه خوارزمی، تهران، ایران
LEAD_AUTHOR
عادل
بهزادی
adel_behzadi@ut.ac.ir
3
دانشجوی دکتری مهندسی مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
AUTHOR
بحرالعلوم، م.م.؛ تهرانی، ر.؛ حنیفی، ف. (1391). طراحی یک الگوریتم فراابتکاری جهت انتخاب پورتفوی بهینۀ ردیابیکنندۀ شاخص بورس تهران. تحقیقات حسابداری، 17(1)، 43-20.
1
رضایی، ع.؛ رنجبران، س. (1386). آموزش الگوریتم ژنتیک در نرمافزار متلب. تهران: انتشارات آذر.
2
فلاحپور، س.؛ تندنویس، ف. (1394). بهینهسازی پرتفوی ردیاب شاخص با استفاده از مدل تکشاخصی پایدار برمبنای شاخص 50 شرکت فعالتر بورس اوراق بهادار تهران. تحقیقات مالی، 6(24)، 134-115.
3
ورسای، م.؛ شمس، ن. (1389). ارائۀ یک روش حل ابتکاری بهمنظور بهینهسازی حل مسئلۀ سبد ردیاب شاخص و پیادهسازی آن برای اولینبار در بازار سهام تهران. هشتمین کنفرانس بینالمللی مدیریت، تهران، 27 آذر 1389.
4
Barro, D. & Canestrelli, E. (2009). Tracking error: a multistage portfolio model. Annals of Operations Research, 165(1), 47-66.
5
Bahreloloom, M., Tehrani, R. & Hanifi, F. (2012). Designing a heuristic algorithms to selsect index tracking portfolio. Accounting Reasearch, 17(1), 20-43.
6
(in Persian)
7
Beasley, J. E., Meade, N. & Chang, T.-J. (2003). An evolutionary heuristic for the index tracking problem. European Journal of Operational Research, 148(3), 621-643.
8
Bergey, P.K. & Ragsdale, C. (2005). Modified differential evolution: a greedy random strategy for genetic recombination. Omega, 33(3), 255-265.
9
Canakgoz, N. A. & Beasley, J. E. (2009). Mixed-integer programming approaches for index tracking and enhanced indexation. European Journal of Operational Research, 196(1), 384-399.
10
Cornuejols, G. & Tütüncü, R. (2006). Optimization methods in finance (Vol. 5): Cambridge University Press.
11
Dose, C. & Cincotti, S. (2005). Clustering of financial time series with application to index and enhanced index tracking portfolio. Physica A: Statistical Mechanics and its Applications, 355(1), 145-151.
12
Estrada, J. (2002). Systematic risk in emerging markets: the D-CAPM. Emerging Markets Review, 3(4), 365-379.
13
Fallahpoor, S. & Tondnevis, F. (2015). Index tracking by Single-Index model. Financial Enegeering and Portfolio Management, 24(6), 115-134.(in Persian)
14
Frino, A. & Gallagher, D. R. (2001). Tracking S&P500 index funds. The journal of portfolio management, 28(1), 44-55.
15
Gao, J. & Li, D. (2013). Optimal cardinality constrained portfolio selection. Operations research, 61(3), 745-761.
16
Gilli, M. & Këllezi, E. (2002). The threshold accepting heuristic for index tracking Financial Engineering, E-Commerce and Supply Chain (pp. 18-1): Springer.
17
Gnoni, M.J., Iavagnilio, R., Mossa, G., Mummolo, G. & Di Leva, A. (2003). Production planning of a multi-site manufacturing system by hybrid modelling: A case study from the automotive industry. International Journal of production economics, 85(2), 251-262.
18
Jansen, R. & Van Dijk, R. (2002). Optimal benchmark tracking with small portfolios. The journal of portfolio management, 28(2), 33-39.
19
Konno, H. & Wijayanayake, A. (2000). Minimal Cost Index Tracking under Nonlinear Transaction Costs and Minimal Transaction Unit Constraints. Tokyo Institute of Technology: CRAFT Working paper.
20
Krink, T., Mittnik, S. & Paterlini, S. (2009). Differential evolution and combinatorial search for constrained index-tracking. Annals of Operations Research, 172(1), 153-176.
21
Li, Q. Sun, L. & Bao, L. (2011). Enhanced index tracking based on multi-objective immune algorithm. Expert Systems with Applications, 38(5), 6101-6106.
22
Meade, N. & Salkin, G. R. (1989). Index funds—construction and performance measurement. Journal of the Operational Research Society, 40(10), 871-879.
23
Oh, K. J., Kim, T. Y. & Min, S. (2005). Using genetic algorithm to support portfolio optimization for index fund management. Expert Systems with Applications, 28(2), 371-379.
24
Rezayi, A. & Ranjbaran, S. (2008). Genetic algorithm implementation in MATLAB. (Vol. 1). Azar press, Tehran. (in Persian)
25
Roll, R. (1992). A mean/variance analysis of tracking error. The Journal of Portfolio Management, 18(4), 13-22.
26
Rudd, A. (1980). Optimal selection of passive portfolios. Financial Management, 9(1), 57-66.
27
Sharpe, W. F., Alexander, G. J. & Bailey, J. V. (1999). Investments (Vol. 6). Prentice-Hall Upper Saddle River, NJ.
28
Storn, R. & Price, K. (1997). Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359.
29
Versay, M. & Shams, N. (2010). Using a heuristic method to optimization TEPIX tracking problem. 8th International management Conference. Tehran, 2010/12/18.
30
Xu, F., Lu, Z. & Xu, Z. (2016). An efficient optimization approach for a cardinality-constrained index tracking problem. Optimization Methods and Software, 31(2), 258-271.
31