ارتقای سطح کارائی مدیریت سرمایه گذاری دربازارسرمایه ایران با استفاده ازشبکه عصبی مصنوعی و منطق فازی

نوع مقاله: مقاله پژوهشی

نویسنده

دکتری مدیریت مالی، اکادمی ملی علوم ارمنستان

چکیده

تخصیص بهینه منابع  مالی یکی ازمهمترین مسا ئل بازار سرمایه است. در یک بازار سرمایه  کارا از بعد عملیاتی ،سرمایه  در اختیار بهترین  گزینه های سرمایه گذاری  قرار میگیرد. بنابراین استفاده ازابزارهای مدیریت مناسب جهت کسب بازدهی بیشتر،گامی در راستای کاراترشدن مدیریت معاملات  بازاراست. با توجه به زمینه های  استفاده از شبکه های عصبی و منطق فازی در سرمایه گذاری سهام و پیش بینی مالی ،بکارگیری  آنها  در  انتخاب  پر تفوی  مناسب  می تواند  نتایج  مطلوبی  برای  سرمایه گذاران  در  پی  داشته  باشد.هدف اصلی   این پژوهش دستیابی به پرتفوی سرمایه گذاری بهینه دربازارسرمایه بابکارگیری شبکه عصبی مصنوعی ومنطق فازی است. همراه بامدل مارکویتز،ازمدلهای ایجادشده طریق شبکه عصبی مصنوعی ومدل فازی استفاده گردید.از شرکتهای  فعال در بورس اوراق بهادارتهران،  که از سال 1386الی 1395 دارای بازده مثبت بوده اند برای تشکیل پرتفوی سرمایه گذاری  انتخاب شدند.برای ارزیابی پرتفو های پیشنهادی در حالت های مختلف، به مقایسه بازده  پرتفو های مختلف بر اساس بازده ماهیانه وسالیانه  شرکت های عضووبهینه سازی پرتفوهای پیشنهادی بااستفاده ازالگوریتم ژنتیک پرداخته شده است. این تحقیق نشان میدهدکه استفاده ازمدلهای فازی نسبت به مدلهای مذکوربازدهی بالاتری رابرای سرمایه گذاران فراهم می نماید.
 


 

کلیدواژه‌ها


عنوان مقاله [English]

Promotion of Effective Level of Investment Management in Iran Capital Market using Artificial Neural Network and Fuzzy Logic

نویسنده [English]

  • Hossein Amouzad Mahdiraji
Financial Management, PhD. Armenia National Academy of Science
چکیده [English]

One of the most important problems in capital market is allocating financial resources in an optimal fashion. In an effective capital market, from an operational point of view, the capital is allocated for the best investment option. Therefore, in order to establish more output, making use of appropriate management tools is a step toward more effective market management of transactions. Regarding backgrounds of applying Artificial Neural Networks and Fuzzy Logic in stocks investment and financial prediction, applying them in selecting an appropriate portfolio can lead to desired results for investors. The major goal of the current research is to achieve an optimal investment portfolio in capital market by applying Artificial Neural Network and Fuzzy Logic. Accompanied by Markowitz Model, models were used which were created through Artificial Neural Network. In order to establish investment portfolio, some of those companies were selected which were active in Tehran stock exchange, and which have had positive efficiency from the year 1386 to 1395. In order to evaluate the suggested portfolios in different conditions, the output of different portfolios based on the monthly and yearly output of the member companies were compared and optimization of suggested portfolios using genetic algorithm were carried out. The study shows that using the Fuzzy models versus mentioned models would provide higher output for the investors.
 
 

کلیدواژه‌ها [English]

  • portfolio
  • Investment Management
  • Markowitz Model
  • Artificial Neural Network
  • Fuzzy Logic
  • Genetic algorithm
*         آذر، عادل ؛ فرجی ، حجت (1389). علم مدیریت فازی،سال چهارم، تهران، موسسه کتاب مهربان نشر.

*         اعتمادی، حسین؛ فرزانی، حجت الله؛ رحمانی، علی (1391). ارزیابی مقایسه‌ای ساختار سرمایه شرکت‌های با فناوری پیشرفته و سنتی با استفاده از شبکه عصبی مصنوعی و تجزیه و تحلیل رگرسیون خطی چند گانه. مطالعات تجربی حسابداری مالی،سال دهم ، شماره36، صص23-51.

*         بهنامیان، جواد؛  مشرفی، محمد (1396). ارائه الگوریتم ترکیبی برای بهینه‌سازی چند هدفه سبد سهام به وسیله برنامه‌ریزی فازی، مهندسی مالی و مدیریت اوراق بهادار،سال 8، شماره30،صص 33-53.

*         خنجرپناه ،حسین ؛ پیشوایی، میرسامان؛جبارزاده ، آرمین (1395). رویکرد فازی در بهینه سازی سبد سهام بورس اوراق بهادار با محدودیت های منعطف، تحقیق درعملیات درکاربردهای آن،سال 13،شماره 51،صص 39-54.

*         رضا، راعی؛  احمد، تلنگی (1383). مدیریت سرمایه گذاری پیشرفته،  تهران، سازمان مطالعه وتدوین کتب علوم انسانی دانشگاهها(سمت)،چاپ اول.

*         سینایی، حسنعلی (1373). سنجش کارایی دربورس اوراق بهادارتهران، تحقیقات مالی، سال اول، شماره 2،صص 46-70.

*         فدایی نژاد، اسماعیل (1373). آزمون شکل ضعیف نظریه بازارکارای سرمایه دربورس اوراق بهادارتهران، تحقیقات مالی، سال دوم، شماره 5و6،صص 6-26.

*         رهنمای رودپشتی، فریدون؛ میرعباسی ،یاور (1392). معیار ارزیابی ریسک تعدیل‌شده بر اساس ظرفیت مطلوب در تصمیمات سرمایه‌گذاری و بهینه‌سازی سبد سهام (زیربنای نظریه‌پردازی و ابزارسازی نوین مالی)، دوفصلنامه علمی-پژوهشی تحقیقات مالی اسلامی،سال 2،شماره 4،صص 87-122.

*         فضلی، صفر؛  تقی زاده، رسول (1389). روش رتبه بندی فازی برای انتخاب پورتفوی بهینه در بورس اوراق بهادار تهران، مطالعات مدیریت صنعتی،سال8، شماره19،صص 125-146.

*         کاظمی میان گسکری، مینا؛ یاکیده، کیخسرو؛  قلی زاده،محمدحسن (1396). بهینه یابی سبد سهام (کاربرد مدل ارزش درمعرض ریسک بر روی کارایی متقاطع)، راهبرد مدیریت مالی،سال 5،شماره 17،صص159-183.

*         محمداسماعیل ، فدائی نژاد؛ حمید، بنائیان(1390). توازن مجدد راهبردی سبد دارایی های سرمایه گذاری، فصلنامه مطالعات مدیریت راهبردی،سال2 ،شماره7،صص 58-37.

*         مرادزاده فرد،مهدی (1395). توانایی مدیریتی، کارآیی سرمایه گذاری و ریسک سقوط آتی قیمت سهام، مطالعات تجربی حسابداری مالی،سال 13، شماره50،صص 33-64.

*         هیبتی، فرشاد؛رهنمای رودپشتی، فریدون؛ افشارکاظمی، محمدعلی؛ عبیری،امیرحسین (1390). ارزیابی مدل گزینش سبد سهام با استفاده از فرآیند تحلیل سلسله مراتبی(AHP)، آنالیز رابطه‌ای خاکستری(GRA) و برنامه‌ریزی آرمانی(GP) ، مهندسی مالی و مدیریت اوراق بهادار،سال2،شماره6،صص107-137.

 

*         Arenas Parra, M., Bilbao Terol, A., & Rodrı́guez Urı́a, M. V. (2001). A fuzzy goal programming approach to portfolio selection. European Journal of Operational Research, 133(2), 287-297.

*         Bawa, Vijay S., & Lindenberg, Eric B. (1977). Capital market equilibrium in a mean-lower partial moment framework. Journal of Financial Economics, 5(2), 189-200.

*         Bellman, Richard E, & Zadeh, Lotfi Asker. (1970). Decision-making in a fuzzy environment. Management science, 17(4), B-141-B-164.

*         Bilbao-Terol, Amelia, Pérez-Gladish, Blanca, Arenas-Parra, Mar, & Rodríguez-Uría, Maria Victoria. (2006). Fuzzy compromise programming for portfolio selection. Applied Mathematics and Computation, 173(1), 251-264.

*         Bojadziev, George, & Bojadziev, Maria. (2007). Fuzzy logic for business,finance and management (Vol. 23): World Scientific Publishing.

*         Canela, Miguel Ángel, & Collazo, Eduardo Pedreira. (2007). Portfolio selection with skewness in emerging market industries. Emerging Markets Review, 8(3), 230-250.

*         Carlsson, Christer, Fullér, Robert, & Majlender, Péter. (2002). A possibilistic approach to selecting portfolios with highest utility score. Fuzzy Sets and Systems, 131(1), 13-21.

*         Chang, Tun-Jen, Yang, Sang-Chin, & Chang, Kuang-Jung. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with Applications, 36(7), 10529-10537.

*         Chen, James Ming. (2016). Modern Portfolio Theory Postmodern Portfolio Theory: Navigating Abnormal Markets and Investor Behavior (pp. 5-25). New York: Palgrave Macmillan US.

*         Chong, Yen Yee. (2004). Investment risk management: John Wiley & Sons.

*         De Giorgi, Enrico. (2002). A note on portfolio selections under various risk measures. Working paper/Institute for Empirical Research in Economics, 122.

*         Dubois, Didier, & Prade, Henri. (1987). The mean value of a fuzzy number. Fuzzy Sets and Systems, 24(3), 279-300.

*         Estrada,J.(2006). The cost of Equity in Emerging ,A downside risk approach.Emerging markets Review,vol 7,pp67-81.

*         Fischer, Donald E, & Jordan, Ronald J. (1991). Security Analysis and Portfolio Management: Prentice-Hall.

*         Grinold, Richard C, & Kahn, Ronald N. (2000). Active Portfolio Management (pp. 93). new york: McGraw-Hill.

*         Guo, Peijun, & Tanaka, Hideo. (2003). Decision analysis based on fused double exponential possibility distributions. European Journal of Operational Research, 148(3), 467-479.

*         Hagin, Robert L. (2004). investment management: John Wiley &sons,inc.

*         Harrington, Diana R. (1987). Modern Portfolio Theory, the Capital Asset Pricing Theory and Arbitrage Pricing Theory:A User's Guide: Prentice-Hall.

*         Inuiguchi, Masahiro, & Tanino, Tetsuzo. (2000). Portfolio selection under independent possibilistic information. Fuzzy Sets and Systems, 115(1), 83-92.

*         Ko, Po-Chang, & Lin, Ping-Chen. (2008). Resource allocation neural network in portfolio selection. Expert Systems with Applications, 35(1), 330-337.

*         Konno, Hiroshi, Shirakawa, Hiroshi, & Yamazaki, Hiroaki. (1993). A mean-absolute deviation-skewness portfolio optimization model. Annals of Operations Research, 45(1), 205-220.

*         Lambovska, Maya, & Marchev, Angel. (2011). Investment Portfolio Evaluation by the Fuzzy Approach. Journal of Competitiveness, 13-26.

*         Leibowitz, Martin L, Emrich, Simon, & Bova, Anthony. (2009). Modern portfolio management: active long/short 130/30 equity strategies (Vol. 539): John Wiley & Sons.

*         León, T., Liern, V., & Vercher, E. (2002). Viability of infeasible portfolio selection problems: A fuzzy approach. European Journal of Operational Research, 139(1), 178-189.

*         Li, Jun, & Xu, Jiuping. (2009). A novel portfolio selection model in a hybrid uncertain environment. Omega, 37(2), 439-449.

*         Li, Ting, Zhang, Weiguo, & Xu, Weijun. (2015). A fuzzy portfolio selection model with background risk. Applied Mathematics and Computation, 256(Supplement C), 505-513.

*         Lintner, John. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The review of economics and statistics, 13-37.

*         Liu, Yong-Jun, & Zhang, Wei-Guo. (2013). Fuzzy portfolio optimization model under real constraints. Insurance: Mathematics and Economics, 53(3), 704-711.

*         Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91

*         Marling, Hannes, & Emanuelsson, Sara. (2012). The Markowitz Portfolio Theory. Survey Online http://www. math. chalmers. se.

*         Reilly, Frank K, & Brown, Keith C. (2011). Investment analysis and portfolio management (10th ed.): Cengage Learning.

*         Rockafellar, R Tyrrell, & Uryasev, Stanislav. (2000). Optimization of conditional value-at-risk. Journal of risk, 2, 21-42.

*         Tanaka, Hideo, & Guo, Peijun. (1999). Portfolio selection based on upper and lower exponential possibility distributions. European Journal of Operational Research, 114(1), 115-126.

*         Tanaka, Hideo, Guo, Peijun, & Türksen, I. Burhan. (2000). Portfolio selection based on fuzzy probabilities and possibility distributions. Fuzzy Sets and Systems, 111(3), 387-397.

*         Tanaka, Hideo, Hayashi, Isao, & Watada, Junzo. (1989). Possibilistic linear regression analysis for fuzzy data. European Journal of Operational Research, 40(3), 389-396.

*         Tang, Gordon Y. N. (2004). How efficient is naive portfolio diversification? an educational note. Omega, 32(2), 155-160.

*         Tang, Gordon Y. N., & Shum, Wai Cheong. (2003). The relationships between unsystematic risk, skewness and stock returns during up and down markets. International Business Review, 12(5), 523-541.

*         Vercher, Enriqueta, Bermúdez, José D., & Segura, José Vicente. (2007). Fuzzy portfolio optimization under downside risk measures. Fuzzy Sets and Systems, 158(7), 769-782.

*         Wang, Y. F. (2002). Predicting stock price using fuzzy grey prediction system. Expert Systems with Applications, 22(1), 33-38.

*         Yu, Lean, Wang, Shouyang, & Lai, Kin Keung. (2008). Neural network-based mean–variance–skewness model for portfolio selection. Computers & Operations Research, 35(1), 34-46.

*         Zhang, Wei-Guo, Zhang, Qi-Min, & Nie, Zan-Kan. (2003). A class of fuzzy portfolio selection problems. Paper presented at the Machine Learning and Cybernetics, 2003 International Conference on.

*         Zhou, Rongxi, Yang, Zebin, Yu, Mei, & Ralescu, Dan A. (2015). A portfolio optimization model based on information entropy and fuzzy time series. Fuzzy Optimization and Decision Making, 14(4), 381-397.