سبد بهینه نوسانگیری روزانه بر پایه پیش بینی بازه ای مقدار با رهیافت شبکه های عصبی
Publish place: Financial Management Perspective، Vol: 12، Issue: 39
Publish Year: 1401
Type: Journal paper
Language: Persian
View: 244
This Paper With 18 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_FINANC-12-39_005
Index date: 15 April 2023
سبد بهینه نوسانگیری روزانه بر پایه پیش بینی بازه ای مقدار با رهیافت شبکه های عصبی abstract
در پژوهش حاضر به کمک شبکه های عصبی، پیش بینی بازه ای مقدار مربوط به کمترین و بیشترین قیمت روزانه صورت می گیرد و سپس بر اساس آن یک سیستم معاملاتی نوسان گیری روزانه شامل خرید و فروش در مقادیر پیش بینی شده شکل می گیرد. برای کاستن از ریسک سیستم معاملاتی و افزایش تعداد موقعیت های معاملاتی، سبد بهینه نوسان گیری روزانه در چهارچوب میانگین-واریانس توسعه می یابد. سبد نمونه ای پژوهش شامل پنج سهم از بورس اوراق بهادار تهران در یک دوره ۱۹۰ روزه با احتساب هزینه های معاملاتی خرید و فروش نشان می دهد که میانگین بازده روزانه سبد نوسان گیری پژوهش ۰۰۲۸/۰ و نسبت شارپ آن ۶۳۷۹/۰ می باشد که از نسبت شارپ سیستم نوسان گیری روزانه انفرادی دارایی های سبد، بهتر است. میانگین روزانه سبد هم وزن در دوره پژوهش ۰۰۱۴/۰ و نسبت شارپ آن ۰۷۴۹/۰ می باشد که نشان می دهد که سیستم معاملاتی عملکردی به مراتب بهتر از سیستم خرید و نگهداری در سبد هم وزن روزانه دارد.
سبد بهینه نوسانگیری روزانه بر پایه پیش بینی بازه ای مقدار با رهیافت شبکه های عصبی Keywords:
سبد بهینه نوسانگیری روزانه بر پایه پیش بینی بازه ای مقدار با رهیافت شبکه های عصبی authors
سجاد سلیمانی سروستانی
دانشجوی دکتری مدیریت صنعتی (مالی)، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.
سید محمد رضا داودی
استادیار، گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
علی خردمند
استادیار، گروه حسابداری، واحد سروستان، دانشگاه آزاد اسلامی، سروستان، ایران.
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 :