طراحی مدل ریاضی متنوع سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک
Publish place: Industrial Management Perspective، Vol: 7، Issue: 1
Publish Year: 1396
Type: Journal paper
Language: Persian
View: 293
This Paper With 24 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_INDU-7-1_007
Index date: 5 November 2021
طراحی مدل ریاضی متنوع سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک abstract
میزان مطلوبیت سرمایه گذار از انتخاب مجموعه دارایی های سرمایه گذاری به وسیله معیارهای ریسک و بازده مشخص می شود. با توجه به عدم اطمینان سرمایه گذار نسبت به آینده، یکی از روش های مطرح در مباحث سرمایه گذاری برای کاهش ریسک، متنوع سازی سبد سرمایه گذاری است. در این پژوهش علاوه بر معرفی معیار فاصله اقلیدسی به عنوان یک معیار اندازه گیری تنوع سبد سهام، مدلی چندهدفه برای انتخاب سبد سهام طراحی شده است. مدل ارائه شده در این پژوهش درصدد حداکثرسازی بازدهی و تنوع و حداقلکردن ریسک غیر سیستماتیک سبد سهام است. با توجه به اینکه مدل ارائه شده غیرخطی است و از نظر پیچیدگی محاسباتی جزو مسائل «حلنشدنی چندجمله ای سخت» قرار میگیرد؛ بنابراین پژوهش با توجه به کارایی محاسباتی الگوریتم ژنتیک در بهینه سازی، برای حل مدل از الگوریتم ژنتیک استفاده شده است. نتایج اجرای مدل دوهدفه (بازدهی و تنوع) و سههدفه (بازدهی، تنوع و ریسک غیرسیستماتیک) در تکرارهای متعدد نشان داد که متوسط بازدهی سبدهای سهام انتخاب شده با مدل این پژوهش بالاتر از حد مطلوب است. بررسی شاخص های عملکرد سبد سهام نیز نمایانگر کارایی مدل دوهدفه (بازدهی و تنوع) است.
طراحی مدل ریاضی متنوع سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک Keywords:
طراحی مدل ریاضی متنوع سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک authors
مسلم خاک بیز
کارشناس ارشد مدیریت صنعتی، دانشگاه یزد.
عباس رضائی پندری
دانش آموخته دکتری، دانشگاه تربیت مدرس.
محمود دهقان نیری
استادیار، دانشگاه تربیت مدرس.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :