فهرست مطالب پوریا مظاهری فر
-
در این مطالعه، به بررسی و مقایسه عملکرد الگوریتم جستجوی موجودات همزیست و ممتیک جستجوی موجودات همزیست در بدست آوردن مرزکارا مدل میانگین نیم واریانس مقید پرداخته می شود. و همچنین سه روش AR خطی شبکه عصبی و سیستم فازی عصبی در بدست آوردن بازده مورد انتظار، مورد مقایسه قرار می گیرند. در این مطالعه از 23 سهم فعال تر بازار استفاده می شود که بازده آنها از تاریخ 01/04/93 تا 01/12/95 مورد استفاده قرار گرفته است. نتایج نشان می دهد که الگوریتم ممتیک جستجوی موجودات همزیست برخلاف استفاده از زمان بیشتر، توانسته عملکرد بهتری را به نمایش بگذارد و همچنین، مقایسه روش های پیش بینی بازده مورد انتظار نشان می دهد که سیستم فازی عصبی توانسته با خطای کمتری بازده مورد انتظار را پیش بینی نماید. در نهایت، با مقایسه مرزکارای پیش بینی شده و مرزکارای واقعی، به این نتیجه می رسیم که مدل پیش بینی مورد نظر در ریسک های کمتر پیش بینی بهتری انجام داده است که در آن ناحیه می توان با اطمینان بیشتری نسبت به تخصیص دارایی ها اقدام نمود.کلید واژگان: بهینه سازی پرتفوی, الگوریتم جستجوی موجودات همزیست, الگوریتم ممتیک, شبکه های عصبی, سیستم فازی عصبی}In this paper, Symbiotic organism search and memetic algorithms are used to solve constrained mean-semi variance portfolio problem. Then AR model, Neural network and ANFIS are compared to predict expected return of stocks. 23 active stocks from June 22, 2014 to Jan 21, 2016 are used as our sample. The results indicate that, memetic algorithm despite its longer time consuming has better performance than SOS algorithm. And ANFIS has more accurate prediction than others in predicting expected rate of return. Finally, we compare expected and real efficient frontier, the results indicate that, in lower risk, ANFIS has better prediction accuracy. So in that area, we can allocate our asset with higher certainty.Keywords: portfolio optimization, SOS algorithm, Memetic Algorithm, Neural Network, ANFIS}
-
در این مطالعه، به بررسی و مقایسه عملکرد الگوریتم ژنتیک و علف های هرز در بدست آوردن مرزکارا مدل میانگین نیم واریانس مقید پرداخته می شود. و همچنین دو روش AR غیرخطی و میانگین ساده در بدست آوردن بازده مورد انتظار، مورد مقایسه قرار می گیرند. در این مطالعه از 23 سهم فعال تر بازار استفاده می شود که بازده آنها از تاریخ 01/04/93 تا 01/04/95 مورد استفاده قرار گرفته است. نتایج نشان می دهد که الگوریتم علف های هرز برخلاف استفاده از زمان بیشتر، توانسته عملکرد بهتری را به نمایش بگذارد و همچنین، مقایسه روش های پیش بینی بازده مورد انتظار نشان می دهد که مدل AR مرتبه دوم توانسته با خطای کمتری بازده مورد انتظار را پیش بینی نماید. در نهایت، با مقایسه مرزکارای پیش بینی شده و مرزکارای واقعی، به این نتیجه می رسیم که مدل پیش بینی مورد نظر در ریسک های کمتر پیش بینی بهتری انجام داده است که در آن ناحیه می توان با اطمینان بیشتری نسبت به تخصیص دارایی ها اقدام نمود..کلید واژگان: بهینه سازی پرتفوی, مدل میانگین نیم واریانس, الگوریتم ژنتیک, الگوریتم علف های هرز, مدل}In this paper, Genetic and weed algorithms are used to solve constrained mean-semi variance portfolio problem. Then AR model and simple average are compared to predict expected return of stocks. 23 active stocks from June 22, 2014 to June 21, 2016 are used as our sample. The results indicate that, weed algorithm despite its longer time consuming has better performance than Genetic algorithm. And AR (2) model has more accurate prediction than simple average in predicting expected rate of return. Finally, we compare expected and real efficient frontier, the results indicate that, in lower risk, AR model has better prediction accuracy. So in that area, we can allocate our asset with higher certaintyKeywords: portfolio optimization, Mean- Semi Variance Model, AR, GA}
-
در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می دهد که شبکه های عصبی توانسته عملکرد بهتری را در پیش بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می دهد که الگوریتم شبکه عصبی می تواند الگوریتمی قابل اتکا برای سهامداران باشد.کلید واژگان: بهینه سازی پرتفوی, الگوریتم های فرا ابتکاری, شبکه های عصبی, شبکه فازی عصبی}In this study, two algorithms, neural networks and fuzzy neural networks, are used to predict the stock prices, and two memetic algorithms, particle swarm and genetic algorithm, together with quadratic method are used to solve unbounded optimization problem by applying daily data of 23 listed companies on Tehran Stock Market during 2012-2015. The findings show that artificial neural networks have better performance than fuzzy neural network in predicting yields. In addition, the comparison of performances of quadratic, genetic and shuffle frog Leaping (SFL) algorithms reveal that SFL algorithm has recorded better performance than genetic and quadratic algorithms. As a result, artificial neural network may be a reliable algorithm for shareholders.Keywords: Portfolio Optimization, Meta-Heuristic Algorithms, Neural Network, Adaptive Neuro-Fuzzy Interference System}
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.