دانلود مقاله انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک

اختصاصی از سورنا فایل دانلود مقاله انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک

چکیده:
در این پژوهش به بررسی انتخاب دارایی های سرمایه ای پرداخته ایم. این مبحث تا کنون در بسیاری از موارد و جنبه ها مطرح شده است و روش های متفاوتی در این زمینه مطرح شده است که این روش ها را نمی توان روشی کامل و بدون اشتباه دانست. روش های مختلفی برای ارزشگذاری وجود دارد.
در اینجا به بررسی روشی جدید در انتخاب دارایی های سرمایه ای (سهام) پرداخته شده است. سهام عموما در حسابداری بر مبنای زمان و دوره نگهداری سرمایه گذاری کوتاه مدت یا بلند مدت هستند. بورس اوراق بهادار تهران جایگاهی است که می توان در آن به بررسی انتخاب دارایی های سرمایه ای مبادرت نمود.
در پایان این تحقیق مشخص شد که روش انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک دارای عملکرد بهتری نسبت به دو روش مطرح شده دیگر (انتخاب دارایی ها به صورت برابر و انتخاب بر اساس گشت تصادفی) را دارا است. در این پژوهش نشان داده شد که می توان از روش مذکور یعنی روش انتخاب دارایی های سرمایه ای با استفاده از ژنتیک الگوریتم برای سرمایه گذاری در سهام و دارایی های سرمایه ای استفاده نمود.

کلید واژه ها:
دارایی سرمایه ای، الگوریتم ژنتیک ، گشت تصادفی، انتخاب برابر

1- مقدمه:
در این فصل پس از بیان مسئله تحقیق ,تاریخچه موضوع تحقیق را مورد بررسی قرارمی دهیم. همچنین اهداف تحقیق را در قالب اهداف علمی و کاربردی بیان می کنیم .چارچوب نظری تحقیق که بنیان اصلی طرح سوال در موضوع تحقیق بوده است در این فصل آورده شده و در ادامه به فرضیه های تحقیق و تعاریف واژه ها اصطلاحات نیز اشاره شده است .

2-بیان مسأله
آمار و ارقام بیانگر این است که در کشورهای پیشرفته، اکثریت سرمایه گذاری ها از طریق بازارهای مالی (بورس ها) انجام می پذیرد. برای تحقق این مهم می بایست ابزار مناسب جهت تصمیم گیری در اختیار افراد سرمایه گذار وجود داشته باشد. در دهه های اخیر تئوری های مالی به ارائه ابزاری پرداخته اند، ولی اخیراً اساس تئوری های مالی (فرضیه بازار کارا، عقلائی بودن سرمایه گذار و ...) از نظر صاحب نظرات کنونی، مورد تردید واقع شده است.به عبارت دیگر مدل های موجود در انتخاب پرتفوی بهینه از اعتبار کافی برخوردار نمی باشند. (اسلامی بیدگلی،63 ،1389)
مسئله اصلی در این تحقیق، با توجه به این شرایط عدم اطمینان حاکم بر بازار بورس و مدل های انتخاب پرتفوی، استفاده از ابزاری جدید جهت انتخاب پرتفوی بهینه می باشد.

3-چارچوب نظری تحقیق
موضوع ارائه شده در این پایان نامه به لحاظ تکنیکی موضوعی کاملا جدید محسوب می گردد. در این مبحث کارخاصی انجام نشده است بنابراین با استفاده از دو موضوع جداگانه به بررسی پیشینه کلی خواهیم پرداخت.
تشکیل سبد سهام
هری ام. مارکویتز از بنیان گذاران تئوری مدرن پرتفوی در سال 1952 با ارائه مدل تمام کوواریانس گامی نوین در جهت سرمایه گذاری برداشت. وی معتقد بود از آنجا که نمی توان تغییرات بازار سرمایه را پیش بینی نمود، باید به طریقی سرمایه گذاری نمود که بتوان ریسک ناشی از آن را مهار کرد. وی این عمل را با استفاده از مفهوم تنوع بخشی انجام داد.
در سال 1960 ویلیام اف. شارپ به خاطر مشکلات محاسباتی در مدل مارکویتز سعی نمود تا رفتار بازار را همزمان با لیتنر (1965) و ماسین (1966) پیش بینی کند.شارپ عنوان نمود که نرخ بازده هر دارایی با یک شاخصی در اقتصاد ارتباط دارد و بهترین شاخص برای پیش بینی نرخ بازده سهام، بازار سرمایه می باشد.وی درجه حساسیت نرخ بازده سهام را به تغییرات در شاخص بورس با مفهومی به نام بتا (β) تبیین نمود. نتایج حاصل از تحقیقات سه محقق فوق پارادایمی را در حوزه مالی تحت عنوان مدل قیمت گذاری دارایی های سرمایه ای (CAPM) به وجود آورد.
استیو راس در سال 1976 طی تحقیقات وسیعی به این نتیجه رسید که بتا قادر به تبیین تمامی تغییرات در نرخ بازده سهام نمی باشد.همچنین یافته های وی، فرضیه بازار کارا را که مدل CAPM براساس آن شکل گرفته بود، رد نمود.وی عنوان کرد که بیش از یک فاکتور قیمت های سهام را تحت تاثیر قرار می دهد و بر اساس این تئوری قیمت گذاری آربیتراژ را مطرح نمود. براساس این تئوری، دو ورقه که ریسک و بازدهی مشابه دارند نمی توانند در قیمت های متفاوت فروخته شوند.
در سال های اخیر مفروضات اساسی مدل های مالی زیر سئوال رفته و آن را منطبق با جهان واقع نمی دانند.شیلر یکی از صاحب نظران معتقد است که بازارها بسیار پیچیده تر از تعاریفی است که در نظریه ها موجود است و سرمایه گذاران با توجه به علایق مختلف خود در بازارها عمل می کنند.
در زمینه هوش مصنوعی کارهای جدیدی با استفاده از شبکه عصبی صورت پذیرفته است اما کمتر به سوی الگوریتم ژنتیک سوق یافته است.
هنگ و دیگران در پژوهشی تحت عنوان پیوند دادن میان تئوری قیمت گذاری آربیتراژ و شبکه عصبی مصنوعی به منظور بهبود مدیریت سبد سهام به این نتیجه می رسند که برقراری این پیوند موجب هم افزایی در مراحل استخراج فاکتور های ریسک ،پیش بینی روند فاکتور های ریسک منحصر به فرد، انتخاب سبد سهام و یافتن سبد سهام بهینه می شود.این امر نشان دهنده آن است که شبکه عصبی مصنوعی نه فقط ابزاری است که می تواند به تنهایی در تحلیل های سرمایه گذاری مورد استفاده قرار گیرد بلکه ابزاری است که با آن می توان موارد کاربرد ابزارهای دیگر را تعمیم داد و یا عیوب آنها را رفع نمود. این محققان در این مقاله به منظور پیش بینی بازده فاکتورها از برنامه ریزی درجه دوم استفاده کرده اند و نهایتا به این نتیجه رسیدند که با این روش پیوندی می توان نسبت به روش های سنتی که از مدل هایی شبیه ARIMA استفاده می کردند بهتر عمل کرد ( هنگ و دیگران ، 1996،123).
کو و لین در تحقیق خود که پیرامون تخصیص منابع با شبکه عصبی در انتخاب سبد سهام و بهینه سازی اوزان سبد سرمایه گذاری انجام داده اند بدین نتیجه می رسند که اوزان بهینه سبد سرمایه گذاری با این روش قابل دست یابی است و اگر از این روش برای انتخاب سبد سهام استفاده شود بازده سرمایه گذاری وقتی از استراتژی خرید و نگهداری استفاده می شود، در مقایسه با بازده شاخص بورس تایوان بیشتر است (کو و لین ، 2008،123).
لین و دیگران در پژوهش خود مسئله انتخاب سبد سهام را به صورت پویا مورد توجه قرار دادند. در این پژوهش محققان به ارائه کاربرد شبکه عصبی مصنوعی المان برای اولین بار در شبیه سازی رفتار سهام پرداختند سپس ماتریس کوواریانس را تخمین زده و نهایتاً مدل انتخاب سبد سهام پویا را فرموله می کنند.این محققان این بحث را مطرح می کنند که حتی اگر شما در لحظه فعلی (t) سبد سهام بهینه ای را دارا باشید در زمان بعدی (t+1) الزاما سبد سهام شما بهینه نخواهد بود و باید در انتخاب سبد مورد نظر خود برای بهینه ماندن پویایی بازده ها را نیز در نظر گرفت. در مرحله پایانی نیز مدل خود را با مدل خود همبستگی برداری مقایسه می کنند و نتیجه می گیرند که روش آنها برای انتخاب سبد سهام روش بهتری است . آنها این نتیجه را از گذر استفاده از مدل مثال عددی اثبات می کنند (لین و دیگران ، 2006،152) .
فرناندو و دیگران در سال 2001 الگوریتم ژنتیک برای سود آوری سهم های شرکت های بورس اوراق بهادار مادرید مورد بررسی قرار دادند.آنها در این بررسی به این نتیجه می رسند که استفاده از انواع استراتژی ها برای انتخاب دارایی های سرمایه ای می تواند سودمند باشد. آنها یکی از تکنیک ها و استراتژی هایی را که مورد بررسی قرار می دهند الگوریتم ژنتیک است و با استفاده از این تکنیک نیز به انتخاب قواعدی برای انتخاب سبد دارایی مورد استفاده قرار می دهند.
این اثر ارائه جدید مبتنی بر پیش بینی مدل بهینه سازی سبد سرمایه گذاری است که می تواند برای جذب فرصت های سرمایه گذاری کوتاه مدت مورد استفاده قرار گیرد. در این مطالعه از شبکه های عصبی مصنوعی برای پیش بینی بازده و ریسک سهام و همچنین میزان خطای پیش بینی ریسک در مدل میانگین واریانس استفاده گردیده است و داده های مورد بررسی سهام های بورس برزیل بوده است و نتیجه این تحقیقات نشان می دهد که با استفاده از فرصت های کوتاه مدت می توان به بازده غیر عادی دست یافت و بازدهی بیش از بازده شاخص را بدست آورد اما باید این بازده را به دو بخش تقسیم نمود بخشی که ناشی از استفاده از این روش است و بخش دیگری را که می توان بازده غیر عادی ناشی از تلاطم های بازار دانست (فریتاس و دیگران ، 2009،156).
کوهر و کراتزنکی )2002 (دریافتند که یکی از ابزار هایی که می توان در کنار ابزار های اقتصاد سنجی می توان از الگوریتم ژنتیک نیز استفاده کرد.این ابزار را می توان در شبیه سازی مونت کارلو نیز به کار گرفت. آنها برای این امر از الگوریتم ژنتیک به عنوان ابزاری برای بهینه سازی به کار می برند و نتایج بدست آمده حاکی از آن است که می توان این ابزار ها را مورد استفاده قرار داد.
منابع موجود برای سرمایه گذاری در دارایی های مختلف محدود است.وانگ و دیگران در سال 2005 این موضوع را مورد بررسی قرار دادند و بر این اساس شرکت های را که سهم آنها دارای تکنولوژی بالا بودن بر اساس الگوریتم ژنتیک بودند را انتخاب نمودند.
پس از این پژوهش آنها روشی را برای انتخاب سبد سهام ارائه کردند که بر اساس آن منابع خود را در دارایی (سهام) شرکت های دیگر چگونه سرمایه گذاری نماید با توجه به این نکته که منابع شرکت ها برای سرمایه گذاری محدود است.
مدل مفهومی پژوهش
در این پژوهش سه روش الگوریتم ژنتیک ، انتخاب برابر و انتخاب گشت تصادفی مورد بررسی قرار می گیرند که همگی در جهت بهینه یابی عملکرد سبد سهام و بهبود سرمایه گذاری بر روی دارایی های سرمایه ای هستند .
نمودار مدل مفهومی پژوهش

منبع : (ویلیام لای و دیگران ، 2002،365)
4-سؤالات تحقیق
آیا انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک می تواند معایب و مزایای انتخاب برابر را بهبود بخشد؟
آیا انتخاب دارایی های سرمایه ای با استفاده از الگوریتم ژنتیک می تواند معایب و مزایای انتخاب گشت تصادفی را بهبود بخشد؟

5-اهداف تحقیق
این تحقیق بر آن است که شرکت ها را در سرمایه گذاری بر روی دارایی های سرمایه ای یاری نماید به این منظور این تکنیک مناسب است.با استفاده از داده ها قیمتی می توان به انتخاب دارایی ها پرداخت و آنها را مورد ارزیابی قرار داد.
با استفاده از این روش می توان الگویی برای ارزیابی عملکرد مدیران شرکت یافت.
از اهداف دیگر این پژوهش می توان به بهبود پیش بینی های بازده و جستجو برای یافتن روش های بهتر با کارایی بیشتر و سرعت عمل بیشتر اشاره کرد.

6-اهمیت و ضرورت انجام تحقیق
مدیریت سرمایه گذاری دو مبحث اصلی "تجزیه و تحلیل اوراق بهادار" و "مدیریت پرتفوی" را شامل می شود. تجزیه و تحلیل اوراق بهادار در برگیرنده تخمین مزایایی تک تک سرمایه گذاری هاست. در حالی که مدیریت پرتفوی،شامل تجزیه و تحلیل ترکیب سرمایه گذاری ها، مدیریت و نگهداری مجموعه ای از دارایی هاست (راعی و تلنگی، 1383، 105).
فرآیند سرمایه گذاری در یک حالت منسجم، مستلزم تجزیه و تحلیل ماهیت اصلی تصمیمات سرمایه گذاری است. در این حالت فعالیت های مربوط به فرآیند تصمیم گیری تجزیه شده و عوامل مهم در محیط فعالیت سرمایه گذاران که بر روی تصمیمات آنان تاثیر می گذارد مورد بررسی قرار می گیرد (تهرانی،1387،103).
یکی از راه های سرمایه گذاری و تشکیل پرتفوی از دارایی ها، سرمایه گذاری در بورس اوراق بهادار می باشد. در کشورهای پیشرفته،بخش عمده ای از سرمایه گذاری ها از طریق بازارهای مالی (بورس ها) انجام می پذیرد. از عمده ترین مشکلات کشورهای جهان سوم و مخصوصا کشور ما، نبود مسیر و ساخت مناسب برای سرمایه گذاری افراد و انسان هاست (عباس نژاد، 1380،68).
به هر حال انتخاب و گزینش سهام شرکتهای حاضر در بورس اوراق بهادار و تشکیل سبد سهام بهینه بستگی به عوامل متعددی دارد که تصمیم گیری را برای تحلیل گران و کارشناسان فن پیچیده می نماید. ضمن آنکه اهمیت هر یک از معیارها از دید افراد مختلف متفاوت است.از سوی دیگر به لحاظ تغییرات سریع و رو به رشد محیطی این تصمیم گیری باید با دقت و سرعت بیشتری انجام گیرد.

7-فرضیات تحقیق
1. ژنتیک الگوریتم در انتخاب دارایی های سرمایه ای از انتخاب برابر عملکرد بهتری دارد .
2. ژنتیک الگوریتم در انتخاب دارایی های سرمایه ای از انتخاب گشت تصادفی عملکرد بهتری دارد .

8-تعریف واژ گان و اصطلاحات کلیدی
جمعیت اولیه: به نسل ابتدایی که عموما به صورت تصادفی ایجاد می شود می گویند
توقف الگوریتم: ایستادن و عدم حرکت به جلو نسلها را توقف در الگوریتم می گویند.(فابیو ،2009،185)
کدینگ: اولین گام برای به کارگیری و پیاده سازی یک الگوریتم ژنتیک، نمایش جوابهای مساله به صورت یک کروموزم است(چنگ ،2006،123)
قانونمند بودن کروزوم ها: قانون مند کردن کروموزم،مربوط به زمان بکارگیری اعمال ژنتیک می باشد. یعنی گاهی اوقات ممکن است کروموزم هایی تولید شود که با هیچ عضوی از فضای جواب متناظر نباشد.(ریوایز ،1995،165)
موجه بودن کروموزم ها: موجه بودن کروموزم، مربوط به حالتی است که بعد از رمز گشایی، همه محدودیت¬های مساله را در بر دارد، در غیر این صورت کروموزم غیر موجه خواهد بود(کانسس ،2005،201)
بازده: به میانگین عایدات حاصل از یک دارایی سرمایه ای گفته می شود.(تهرانی، 1387)
ریسک: احتمال عدم دست یافتن به بازده مورد انتظار را ریسک می گویند.(راعی، 1383)

9 روش تحقیق
به طور کلی روش‌های تحقیق در علوم اجتماعی را می‌توان با توجه به دو ملاک تقسیم کرد. الف)هدف تحقیق،ب)نحوة گردآوری داده‌ها.از نظر هدف تحقیق، پژوهش¬ها به سه نوع تحقیق¬های پایه¬¬ای(بنیادی) ، کاربردی ، و تحقیق و ارزیابی(توسعه) طبقه¬بندی می¬شوند.بر این اساس پژوهش حاضر از نظر هدف کاربردی و از نظر شیوه گردآوری اطلاعات تحقیق توصیفی از نوع ارایه مدل و بررسی آن است. در زیر به توضیح آنها پرداخته می شود:
تحقیق کاربردی
هدف تحقیقات کاربردی توسعة دانش کاربردی در یک زمینه خاص است. به عبارت دیگر تحقیقات کاربردی به سمت کاربرد علمی دانش هدایت می‌شود. ویژگیهای تحقیقات کاربردی به شرح زیر است:
آزمودن کارایی نظریه¬های علمی در یک حوزه خاص
تعیین روابط تجربی در یک محدوده خاص
افزودن به دانش کاربردی در یک زمینه خاص
پیشبرد تحقیق و روش شناسی در یک زمینه خاص(بازرگان و همکاران ، 1380، 81)

تحقیق توصیفی
تحقیقات علمی را بر اساس چگونگی به دست آوردن داده‌های مورد نیاز می‌توان به دسته‌های زیر تقسیم کرد:تحقیق¬های توصیفی(غیر آزمایشی) و تحقیق¬های آزمایشی .
تحقیق توصیفی شامل مجموعه روش‌هایی است که هدف آنها توصیف کردن شرایط یا پدیده‌های مورد بررسی است. اجرای تحقیق توصیفی می‌تواند صرفاً برای شناخت بیشتر شرایط موجود یا یاری دادن به فرآیند تصمیم‌گیری باشد.
تحقیق توصیفی را می‌توان به دسته‌های زیر تقسیم کرد :
● تحقیق پیمایشی
● تحقیق همبستگی
● اقدام پژوهشی
● بررسی موردی
● تحقیق پس – رویدادی (همان منبع ، 82)
پژوهش¬های توصیفی که داده¬ها را بگونه¬ای معنا دار ارائه می¬کنند در موارد زیر سودمند هستند:
1- شناخت ویژگیهای یک گروه در موقعیت مورد مطالعه
2- کمک به تفکر نظام گرا درباره یک وضعیت
3- ارائه دیدگاه¬هایی مبنی بر ضرورت بررسی و پژوهش بیشتر
4- کمک به اخذ تصمیم های خاص( سکاران ،1381، 124).
همانطور که قبلاً اشاره شد یکی از انواع روش¬های تحقیق توصیفی "تحقیق همبستگی" است. تحقیقات همبستگی، شامل کلیة تحقیقاتی است که در آنها سعی می‌شود رابطه بین متغیرهای مختلف با استفاده از ضریب همبستگی،کشف و یا تعیین شود.هدف روش تحقیق همبستگی مطالعة حدود تغییر است (دلاور،1380، 199). هدف تحقیق همبستگی عبارت است،از درک الگوهای پیچیدة رفتاری از طریق مطالعة همبستگی بین این الگوها و متغیرهایی که فرض می‌شود بین آنها رابطه وجود دارد. این روش بویژه در شرایطی مفید است که هدف آن کشف رابطة متغیرهایی باشد که در مورد آنها تحقیقاتی انجام نشده است(همان منبع، 203). تحقیقات همبستگی برحسب هدف به سه دسته تقسیم می‌شود:
مطالعة همبستگی دو متغیری
تحلیل رگرسیون
تحلیل ماتریس همبستگی یا کواریانس
در مطالعات همبستگی دو متغیری، هدف بررسی رابطة دو به دو متغیرهای موجود در تحقیق است. در تحلیل رگرسیون هدف پیش‌بینی تغییرات یک یا چند متغیر وابسته(ملاک) با توجه به تغییرات متغیرهای مستقل(پیش‌بینی) است.بنابراین تحقیق حاضر، از نظر هدف کاربردی، واز نظر نحوه گردآوری اطلاعات توصیفی از نوع ارایه مدل و بررسی آن می¬باشد.

10جامعه آماری
جامعه آماری این پژوهش شامل تمامی شرکت های فعال در بورس اوراق بهادار تهران می باشد. در این پژوهش ما دارایی سرمایه ای را به عنوان دارایی برای خرید و نگهداری به منظور ایجاد سود در نظر گرفته ایم. این امر را می توان بر روی سهام به کار برد که به منظور ایجاد سود در شرکتهای مختلف خریداری و آن را در بخش سرمایه گذاری های خود در ترازنامه نمایش می دهند.

نمونه آماری
در این پژوهش نمونه آماری به روش تعمدی انتخاب شده است.دلیل این امر نیز این بود که با توجه به اینکه می بایست داده ها را در شبکه عصبی مورد استفاده قرار دهیم حجم داده ها دربحث یادگیری شبکه مهم است. به علت مرتب سازی داده ها و هماهنگ کردن داده ها بر اساس تاریخ (بدان معنا که تمامی جامعه می بایست در تاریخ مشخصی مورد معامله قرار بگیرند تا بتوان از آن داده در شبکه استفاده کرد) امکان دارد داده ها به مقدار قابل توجهی کاهش یابند به همین دلیل داده ها را با توجه به شرایط زیر انتخاب کرده و در پژوهش مورد استفاده قرار می دهیم.
ابتدا در جدول شماره 1-3 تمامی 50 شرکت برتر در آخرین اعلامیه برای سه ماهه دوم سال 1389 آمده است و پس از آن داده های مربوط به قیمت های نهایی در این بازه آمده است و شرکت هایی که در این بازه به عرضه رسیده اند یا داده های قیمتی آنها در این بازه وجود نداشته است حذف شده اند.
پس از گذشتن از این مرحله در مرحله بعدی شرکت ها را در نرم افزار اکسل با تابع Vlook up قیمت شرکت ها را برای بازه زمانی مورد نظر یکسان می کنیم به عبارتی روزهای معاملاتی را یکسان کرده و با استفاده از این فرآیند به داده هایی می رسیم که به لحاظ تاریخی دارای تاریخ یکسان هستند. در این بخش تعداد روزهای معاملاتی که این شرکتها دارای قیمت هستند را با تابع count در نرم افزار اکسل محاسبه کرده و نهایتا تعداد روزهایی را که سهم دارای قیمت روزانه بوده است را محاسبه می کنیم.

جدول

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله 15   صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید