پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 932 |
| تعداد مقالات | 7,652 |
| تعداد مشاهده مقاله | 12,494,481 |
| تعداد دریافت فایل اصل مقاله | 8,885,833 |
مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران | ||
| تحلیل های اقتصادی توسعه ایران | ||
| مقاله 3، دوره 4، شماره 2 - شماره پیاپی 11، شهریور 1395، صفحه 59-76 اصل مقاله (622.44 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/edp.2017.12123.1062 | ||
| نویسندگان | ||
| مجید فشاری* 1؛ پوریا مظاهری فر2 | ||
| 1استادیار اقتصاد، دانشگاه خوارزمی | ||
| 2کارشناسی ارشد مدیریت مالی، دانشگاه خوارزمی | ||
| چکیده | ||
| در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیشبینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینهسازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سالهای 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان میدهد که شبکههای عصبی توانسته عملکرد بهتری را در پیشبینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان میدهد 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 میدهد که الگوریتم شبکه عصبی میتواند الگوریتمی قابل اتکا برای سهامداران باشد. | ||
| کلیدواژه‌ها | ||
| بهینهسازی پرتفوی؛ الگوریتمهای فرا ابتکاری؛ شبکههای عصبی؛ شبکه فازی عصبی | ||
| عنوان مقاله [English] | ||
| The Comparison of Prediction and Optimization Algorithms in Portfolio Selection on Tehran Stock Market | ||
| نویسندگان [English] | ||
| Majid Feshari1؛ Pooria Mazaherifar2 | ||
| 1Assistant Professor of Economics, University of Kharazmi | ||
| 2MA in Financial Management, University of Kharazmi | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Portfolio Optimization, Meta-Heuristic Algorithms, Neural Network, Adaptive Neuro-Fuzzy Interference System | ||
| مراجع | ||
|
- اسلامی بیدگلی، غلامرضا و طیبی ثانی، احسان. (1393). بهینه سازی سبد سرمایه گذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان. مجله مهندسی مالی و مدیریت اوراق بهادار، 18، صص 184-163. - اسلامی بیدگلی، غلامرضا؛ وافی ثانی، جلال؛ علیزاده، مجید و باجلان، سعید. (1388). بهینهسازی و بررسی اثر میزان تنوع بر عملکرد پرتفوی با استفاده از الگوریتم مورچگان. فصلنامه بورس اوراق بهادار، تهران، 5، صص 75-57. - آذر، عادل و افسر، امیر. (1385). مدل سازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی. پژوهشنامه بازرگانی، 10، صص 52-33. - حنفیزاده، پیام؛ پورسلطانی، حسین و ساکتی، پریسا. (1386). بررسی مقایسهای توان پیشبینی شبکههای عصبی مصنوعی با روش توقف زود هنگام و فرایند سری زمانی خودبازگشت در براورد نرخ تورم، مجله تحقیقات اقتصادی، شماره 4، صص 11-1. - فامیلیان، مولود. (1394). بهینهسازی سبد سهام با استفاده از الگوریتم جستجوی فاخته و رقابت استعماری. دومین کنفرانس بینالمللی پژوهشهای نوین در مدیریت، اقتصاد و حسابداری. - کریمی، محمد؛ سینایی، حسنعلی و درزبان عزیزی، عبدالهادی. (1391). بررسی کارایی تشکیل سبد اوراق بهادار با رویکرد تصمیم گیری چند معیاره، پایان نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز. - Chen, W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A: Statistical Mechanics and its Applications, 429, 125-139.
- Cheng, M. Y., & Prayogo, D. (2014). Symbiotic organisms search: a new metaheuristic optimization algorithm. Computers & Structures, 139, 98-112.
- Deng, G. F., Lin, W. T., & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
- Eusuff, M., Lansey, K., & Pasha, F. (2006). Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization. Engineering Optimization, 38(2), 129-154.
- Farzi, S., Shavazi, A. R., Pandari, A., & Graduated, M. A. (2015). Using quantum-behaved particle swarm optimization for portfolio selection problem. Int. Arab J. Inf. Technol., 10(2), 111-119.
- Kamili, H., & Raffi, M.E. (2016). Portfolio Optimization Using the Bat Algorithm. International Review on Computer and Software (IRECOS), 11(3), 277-283.
- Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91.
- Markowitz, H. M. (1959). Portfolio selection: efficient diversification of investments (Vol. 16). Yale university press.
- Salahi, M., Daemi, M., Lotfi, S., & Jamalian, A. (2014). PSO and harmony search algorithms for cardinality constrained portfolio optimization problem. AMO–Advanced Modeling and Optimization, 16(3), 559-573.
- Toloie-Eshlaghy, A., Abdolahi, A., Moghadasi, M., & Maatofi, A. (2011). Using genetic and particle swarm algorithms to select and optimize portfolios of companies admitted to Tehran stock exchange. Research Journal of Internatıonal Studıes-Issue, 95-105.
- Tuba, M., & Bacanin, N. (2014). Artificial bee colony algorithm hybridized with firefly algorithm for cardinality constrained mean-variance portfolio selection problem. Appl. Math. Inf. Sci, 8(6), 2831-2844. | ||
|
آمار تعداد مشاهده مقاله: 2,108 تعداد دریافت فایل اصل مقاله: 1,212 |
||