بهینه سازی سبد سرمایه با استفاده از شبکه های عصبی

thesis
abstract

یکی از مباحث مهمی که در بازارهای سرمایه مطرح است و بسیار مورد توجه سرمایه گذاران می باشد، انتخاب سبد سرمایه بهینه است. در این راستا، بررسی و مطالعه سرمایه گذاران جهت تشکیل بهترین سبد سرمایه با توجه به میزان ریسک و بازده آن انجام می شود. مدلی که در تحقیق حاضر برای انتخاب سبد سرمایه بهینه مورد بررسی قرار داده ایم، مدل میانگین-واریانس با قید کاردینالیتی است؛ این مدل شامل قیدهایی می باشد که سرمایه گذاری در تعداد معینی کالا را تضمین نموده و حجم اختصاص یافته به هر کالا را محدود می سازد. مساله بهینه سازی مورد بررسی از درجه دشواری ‎np-hard‎ است که برای حل آن الگوریتم هیورستیکی مبتنی بر شبکه های عصبی پیشنهاد نموده ایم. ‎امروزه استفاده از شبکه های عصبی از جمله روش هایی است که برای حل مسائل بهینه سازی بسیار مورد توجه می باشد. سرعت محاسباتی بالا و امکان پیاده سازی موازی از جمله مزیت های این روش محسوب می شود که باعث اقبال پژوهشگران به آن شده است. به رغم مزیت های شبکه های عصبی در حل مسائل بهینه سازی‏، برخوردار نبودن آن ها از ‎‎سازوکاری برای گریز از بهینه های محلی باعث می شود که در بیشتر مواقع جواب حاصل اختلاف زیادی با جواب بهینه سراسری داشته باشد. این محدودیت باعث گشته تلاش های بسیاری برای بهبود عملکرد این روش ها به خصوص از طریق ترکیب آن ها با برخی الگوریتم های ابتکاری انجام شود. اما بیشتر شبکه های عصبی که قادر به گریز از بهینه های محلی می باشند‏، گسسته مقدار بوده و برای مسائل بهینه سازی ترکیبیاتی استفاده می شوند. این در حالی است که تعریف سازوکاری برای فرار از بهینه های محلی در شبکه های پیوسته مقدار و مخصوصا شبکه های آمیخته (پیوسته و گسسته مقدار)‏ موضوعی است که چندان مورد توجه واقع نشده است؛ لذا در این پایان نامه به معرفی شبکه عصبی پرداخته ایم که علاوه بر مقادیر گسسته، شامل مقادیر پیوسته نیز می باشد و برای گریز از بهینه های محلی در هر دو فضای گسسته و پیوسته از جستجوی تابو استفاده می کند. علاوه بر شبکه عصبی پیشنهادی‏، اصلاحی از الگوریتم ژنتیک ارائه نموده ایم که باعث افزایش سرعت محاسبات و دقت جواب های حاصل می شود. آزمایش های عددی تاییدی بر کارایی الگوریتم های پیشنهادی در حل مساله بهینه سازی سبد سرمایه با قید کاردینالیتی می باشد.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

انتخاب سبد سرمایه ریسکی با استفاده از شبکه های عصبی

هدف اصلی این تحقیق دستیابی به یک سبد سرمایه مناسب‌تر برای سرمایه‌گذاران ریسک‌پذیر است. در این تحقیق مدل مارکوتیز در تئوری سبد سرمایه به عنوان مدل مقایسه‌ای استفاده شده است و مدل شبکه عصبی با آن مقایسه شده است. الگوی یادگیری شبکه عصبی، الگوی «پس انتشار خطا» می‌باشد. سبد انتخابی شامل بیست سهم از بازار بورس اوراق بهادار تهران است که برای یک دوره سیزده ماهه مورد مطالعه قرار گرفته است. در هر دو مدل ...

full text

انتخاب سبد سرمایه ریسکی با استفاده از شبکه های عصبی

هدف اصلی این تحقیق دستیابی به یک سبد سرمایه مناسب تر برای سرمایه گذاران ریسک پذیر است. در این تحقیق مدل مارکوتیز در تئوری سبد سرمایه به عنوان مدل مقایسه ای استفاده شده است و مدل شبکه عصبی با آن مقایسه شده است. الگوی یادگیری شبکه عصبی، الگوی «پس انتشار خطا» می باشد. سبد انتخابی شامل بیست سهم از بازار بورس اوراق بهادار تهران است که برای یک دوره سیزده ماهه مورد مطالعه قرار گرفته است. در هر دو مدل ...

full text

استفاده از رویکرد اختیار واقعی به منظور بهینه سازی سبد سرمایه گذاری های خطرپذیر

استفاده از رویکردهای سنتی مبتنی بر تنزیل جریان‌های نقدی برای ارزیابی و مقایسه فرصت‌های سرمایه‌گذاری در بسیاری از صنایع رایج است. از آنجا که در این نوع سرمایه‌گذاری عدم اطمینان قابل توجهی وجود دارد، تکیه بر رویکردهای سنتی به دلیل در نظر نگرفتن انعطاف مدیریتی می‌تواند به تصمیم‌گیرهای نادرستی منجر شود. در این پژوهش رویکرد مبتنی بر اختیار واقعی در بودجه‌بندی سرمایه‌ای با رویکرد سنتی مقایسه شده است....

full text

بهینه سازی سبد سرمایه گذاری شرکت سرمایه گذاری بانک سپه با استفاده از مدل ترکیبی مارکوویتز و GARCH چند متغیره

هدف اصلی اینمقاله بهینه‌سازی پرتفوی شرکت سرمایه­گذاری بانک سپه با استفاده از روش حداقل کردن ریسک نسبت به بازدهی مورد انتظاربوده است‌. در این راستا، ابتدا ترکیب پرتفوی شرکت مذکور طی دوره 1387 الی 1390 بررسی و از بین سرمایه‌گذاری‌های انجام شده، چهار صنعت با وزن بالا انتخاب شدند‌. سپس ریسک بازدهی هر یک از این چهار صنعت در طول زمان با بکارگیری مدل GARCHچندمتغیره به صورت مدلBEKK -Diagonalبرآورد گردی...

full text

بهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه

امروزه استفاده از سیستم‌های هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستم‌ها می‌توانند به کاهش خطایی که ممکن است توسط کارشناسان کم‌تجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستم‌های هوشمند مصنوعی در پیش‌بینی و تشخیص سرطان سینه که یکی از رایج‌ترین سرطان‌ها در بین زنان است، مورد توجه می‌باشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحله‌ای انجام...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد - دانشکده علوم ریاضی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023