عنوان پایان‌نامه
مدل بهینه سازی پر تفوی بر اساس پیش بینی با استفاده از شبکه های عصبی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72657;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72657
- تاریخ دفاع
- ۲۲ دی ۱۳۹۲
- دانشجو
- زینب حاجی زاده هریس
- استاد راهنما
- شاپور محمدی
- چکیده
- سرمایه گذاران در بازارهای مالی به دلیل اینکه سرمایه گذاری در شرایط عدم اطمینان انجام می شود، درکنار معیار بازدهی باید به معیار ریسک نیز توجه داشته باشند. یکی از روش هایی که برای کاهش ریسک توصیه شده است تشکیل پرتفوی یا سبد سهام می باشد. مدل مارکویتز اولین مدل ارائه شده در خصوص تشکیل و بهینه سازی سبد سهام می باشد که با محدودیت هایی همراه است. ازجمله آن فرض نرمال بودن توزیع بازده ها می باشد که در دنیای واقع توزیع بازده ها از نرمال فاصله گرفته و دارای چولگی و کشیدگی می شود. مدل ارائه شده در این تحقیق "مدل بهینه سازی پرتفوی براساس پیش بینی با استفاده از شبکه عصبی” به جای میانگین بازده های گذشته از بازده پیش بینی شده به عنوان معیار بازده و به جای واریانس بازده ها از واریانس سری زمانی خطای پیش بینی بازده-ها به عنوان معیار ریسک با این استدلال که شواهد بیشتری مبنی بر نرمال بودن توزیع خطای پیش بینی بازده ها نسبت به توزیع سری زمانی بازده ها وجود دارد استفاده می کند. به منظور انجام آزمون های مربوطه از بازده های هفتگی طی سال های 84 تا 88 و بازده های ماهانه طی سال های 83 تا 90، 40 شرکت از شرکت های پذیرفته شده در بازار بورس اوراق بهادار تهران استفاده شده است. با انجام آزمون های مربوط به نرمال بودن توزیع بازده ها به این نتیجه رسیدیم که درصد بیشتری از سری زمانی خطای پیش بینی دارای توزیع نرمال می باشد. سپس اقدام به پیش بینی بازده ها نموده و مدل را تشکیل دادیم. برای مقایسه مدل میانگین واریانس و مدل بهینه سازی پرتفوی براساس پیش بینی با شبکه عصبی از معیار شارپ استفاده نمودیم.
- Abstract
- Owing to uncertainty nature of investment environments, the Risk metrics should be taken as the main consideration in financial decisions in addition to Return criteria. The Most common method that is used to reduce the diversifiable risk is to invest in a portfolio of securities. Markowitz portfolio theory is the first model in portfolio selection that is encountered with some limitations, such as assuming normal distribution for stock return which is rarely happens in real world. In order to overcome this limitations, author in this survey presented a model, Prediction-based portfolio optimization model using neural networks, which used predicted return instead of historical return mean as the return metric and also used time series forecast(predicted) error variance of returns instead of simple return variance as the risk metric. Tehran stock market weekly returns during 1384-1388 and monthly return during 1383-1390 for 40 listed companies was used to analyze the survey proposed model. The results of return distribution normality test indicated that time series forecast error is more likely to have normal distribution. Thereupon returns was forecasted and the proposed model was created. Eventually sharp equation was used to compare mean-variance model against Prediction-based portfolio optimization model. Keywords: Neural networks ,Time series prediction , Portfolio optimization
