انتخاب بهینه سبد سهام با رویکرد میانگین-نیم واریانس مبتنی بر مدل اسپین گلاس
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 640
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICTCK02_101
Index date: 29 October 2016
انتخاب بهینه سبد سهام با رویکرد میانگین-نیم واریانس مبتنی بر مدل اسپین گلاس abstract
انتخاب بهینه سبد سهام به منظور بیشینه کردن سود و کمینه کردن ریسک نامطلوب یکی از اصلی ترین دغدغه هایسرمایه گذاران در بازارهای مالی است. مدل میانگین- نیم واریانس یکی از مدلهایی است که میتوان در این زمینهمورداستفاده قرارداد. در این تحقیق کوشش شده است که این مدل را با استفاده از الگوریتم بهینه سازی نوینی مبتنیبر مدل اسپین گلاس حل کند. توانایی بالا در جستجوی محلی یکی از مزیت های این الگوریتم است، به طوریکه با اجرایالگوریتم، مقادیر اسپین ها آنقدر تغییر می یابد تا سیستم به کمترین مقدار انرژی خود برسد ولی به این دلیل که باجستجوی محلی به سمت پاسخ بهینه حرکت می کند، سرعت همگرایی پایینی دارد و به منظور افزایش سرعت همگراییبه پاسخ بهینه، الگوریتم ترکیبی مدل اسپین گلاس با اتوماتای یاد گیر تصادفی پیشنهاد گردیده است.نتایج آزمایش ها نشان می دهد، الگوریتم ترکیبی می تواند بدون جابجایی اسپین ها و کمترین تغییر در الگوریتم اسپینگلاس به سرعت همگرایی سریعتری و کاهش قابل توجه زمان مصرفی و بهبود عملکرد منجر شود و مسئله انتخاب بهینهسبد سهام که یک مسئله غیر چندجمله ای است را حل کند. با بررسی توزیع بازده و مرز کارا نشان می دهد که توزیعبازده سهام در بازار واقعی، غیر نرمال است و معیار سنجش ریسک نیم واریانس معیار مناسبی است.
انتخاب بهینه سبد سهام با رویکرد میانگین-نیم واریانس مبتنی بر مدل اسپین گلاس Keywords:
انتخاب بهینه سبد سهام با رویکرد میانگین-نیم واریانس مبتنی بر مدل اسپین گلاس authors
فاطمه دفاعی
گروه کامپیوتر،دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد مشهد
مجید وفایی جهان
گروه کامپیوتر،دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد مشهد
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 :