عنوان پایان‌نامه
رتبه‌بندی سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم چندهدفه (الگوریتم ژنتیک)
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57649
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۰
- دانشجو
- معصومه امیری مقدم یزدی
- استاد راهنما
- رضا تهرانی
- چکیده
- قبل از اقدام به هرگونه خرید و فروش اوراق بهادار، باید سیاست سرمایه¬گذاری، محدودیت¬های مربوط به سطح بازده مورد انتظار، میزان تحمل ریسک و سایر محدودیت¬هایی که تحت آن شرایط، بایستی پرتفوی تشکیل گردد، را تعیین نمود. تعیین ملاک¬های فوق توسط سرمایه¬گذار، قبل از انتخاب سهام و یا تعیین ترکیب پرتفوی بهینه ضروری است. یک استراتژی سرمایه¬گذاری موفق مستلزم حداکثرکردن فرصت¬های سرمایه¬گذاری در عین حداقل کردن ریسک¬هاست. سرمایه¬گذاری کمی فعال، یک رویکرد تایید شده برای تحقق این دو هدف است. در بطن یک استراتژی کمی، یک مدل کمی وجود دارد که دارایی ها را بر اساس معیارهای گوناگون برای کمک به مدیران سرمایه¬گذاری در تصمیم گیری برای خرید یا فروش اوراق کمک می¬کنند. در مطالعات قبلی انجام شده توسط محققان مشاهده شده که الگوریتم کامپیوتری پیشرفته¬ی برنامه¬ریزی ژنتیک، تکنیک اثربخشی برای انتخاب عوامل و تشکیل مدل¬های چند عاملی برای رتبه¬بندی سهام بر اساس تابع سازگار تک هدفه می باشد. با این وجود برای انعکاس صحیح¬تر پیچیدگی حقیقت سرمایه گذاری، با استفاده از تابع سازگار چند هدفه ضروری است تا به طور همزمان معیارهای مختلف سرمایه¬گذاری مد نظر باشند. نقش این تحقیق بطور کلی بررسی قابلیت الگوریتم¬ ژنتیک در ساختن مدل¬های انتخاب سهام با استفاده از الگوریتم¬های چند¬هدفه است.
- Abstract
- Before taking any action for buying or selling securities, it is necessary to establish your investing policy, limitations for expecting return volume, your risk-taking level and other obstacles under which your portfolio should be made. Characterizing mentioned traits should be done before choosing stocks or making optimal portfolio. A successful investing strategy should maximize investing opportunities while minimizing risks. Active quantitative investing is a validated approach to realize these two goals. Within a quantitative strategy, there is a quantitative model which classifies assets in order of different criteria. In prior researches it has been concluded that advanced computerized genetic programming algorithm is an effective technique for choosing elements and creating multifactor models for stock ranking regarding compatible single-objective function. However, in order to reflect complexity of investing reality more correctly, it is necessary to consider different investing factors simultaneously, using compatible multi-objective function. Purpose of this research is to evaluate capability of genetic algorithm in creating stock choosing models using multi-objective algorithms. Key words: Genetic Algorithm, Information Ratio, Information Coefficient, Intra-Fractile Hit Rate
