داده‌کاوی و مفاهیم مربوط به آن
سامان هراتی زاده؛ فاطمه رضایی
چکیده
هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه ...
بیشتر
هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه میان سهام سبد کم‌تر موردتوجه قرار گرفته است و معمولا وزن یکسان به سهام سبد تخصیص داده می‌شود یا از روش‌های سنتی ارزیابی ریسک برای تقسیم سرمایه میان سهام سبد استفاده می‌شود. نقطه‌ضعف مشترک این روش‌ها این است که در همه آن‌ها از مکانیزم‌های ساده و انعطاف‌ناپذیر برای تخمین کارایی یک سبد سهام استفاده می‌شود. در این مقاله ما برای نخستین‌بار نشان می‌دهیم که با استفاده از یادگیری ماشین می‌توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر‌به تخصیص پربازده‌تر سرمایه به سهام سبد می‌شود.روش‌شناسی پژوهش: چارچوب پیشنهادی ما موسوم به Per-Learner از دو مدل پیش‌بینی مبتنی بر یادگیری ماشین استفاده می‌کند. در گام 1 با استفاده از اطلاعات تاریخی سهام در یک مدل پیش‌بینی بازده سهم، سهام مناسب سبد انتخاب می‌شود و در گام 2 به کمک یک مدل پیش‌بینی مجزا سعی می‌شود با در‌نظر گرفتن هم‌زمان سود پیش‌بینی‌شده در مدل اول و ریسک مورد انتظار هر یک از سهم‌های سبد، بازده سبد در آینده پیش‌بینی شده و بر این اساس ترکیب وزن مناسب برای سهام سبد انتخاب و پیشنهاد گردد.یافته‌ها: مقایسه بازده تجمعی سبدهای تنظیم‌شده با این مدل و سبدهای تنظیم‌شده با سایر روش‌های بهینه‌سازی سبد سهام، برتری مدل پیشنهادی را نشان می‌دهد.اصالت/ارزش‌افزوده علمی: در این مقاله با بهرهگیری از مدل‌های یادگیری ماشین، فرآیند انتخاب سهام سبد و تخصیص سرمایه مناسب میان سهام سبد به‌صورت خودکار انجام شده است و تاثیر آن در کارایی سبد به‌وضوح دیده می‌شود.
تحلیل پوششی داده ها
محمد رضا علیرضایی؛ فاطمه رخشان؛ بهاره بنای خویی
چکیده
یکی از مشکلات انتخاب پرتفولیو، انتخاب یک مجموعه سهام، دارایی و اوراق بهادار با اهداف متضاد و غیرقابل مقایسه مانند بازده و ریسک می‌باشد. مدل کارایی متقاطع تکنیک تحلیل پوششی داده‌ها (DEA)، یکی از ابزارهای مفید در سنجش کارایی است که امکان تعیین واحدهای کارا از صنایع مختلف را جهت تشکیل پرتفولیو فراهم می‌نماید. هرچند کارایی متقاطع رویکردی ...
بیشتر
یکی از مشکلات انتخاب پرتفولیو، انتخاب یک مجموعه سهام، دارایی و اوراق بهادار با اهداف متضاد و غیرقابل مقایسه مانند بازده و ریسک می‌باشد. مدل کارایی متقاطع تکنیک تحلیل پوششی داده‌ها (DEA)، یکی از ابزارهای مفید در سنجش کارایی است که امکان تعیین واحدهای کارا از صنایع مختلف را جهت تشکیل پرتفولیو فراهم می‌نماید. هرچند کارایی متقاطع رویکردی برای ارزیابی است، اما کاربرد آن در انتخاب سبد سهام توسعه دادهشده است. در این تحقیق، میانگین نمرات کارایی متقاطع و تغییرات آن را بررسی کرده و دو آمارۀ آن را در فرمول میانگین- واریانس گزینش سبد سهام گنجانیدهایم. این روش دو مزیت دارد: یکی گزینش سبد سهامهایی که ازلحاظ عملکردشان روی معیار ارزیابی چندگانه بهخوبی توسعهیافتهاند و دیگری کاهش پدیدهی بهاصطلاح "دستهبندی هم‌زمان" ارزیابی کارایی متقاطع در انتخاب سبد سهام. این روش برای ارزیابی کارایی گزینش سبد سهام 20 شرکت معتبر بورس طی 9 دوره زمانی به کار گرفتهشده و تغییرات کارایی و علل آن موردبررسی قرارگرفته است. هم‌چنین نشان دادهشده است که سبد سهام منتخب با این روش، بازدهی بالاتری بر مبنای تنظیم ریسک نسبت به دو شاخص بازار سهام طی یک دوره 9 ساله به همراه دارد.
