مرضیه نوراحمدی

هدف: بررسی کاربرد فیلتر کالمن برای تخمین نسبت پوشش ریسک پویا در استراتژی معاملات زوجی، هدف اصلی این پژوهش است. سؤال اصلی مقاله این است که آیا سرمایه گذاران فردی، می توانند با به کارگیری استراتژی معاملات زوجی، سود کسب کنند؟ روش: در این پژوهش از روش هم انباشتگی برای انتخاب زوج سهم ها استفاده شده و بر اساس رهیافت فضا حالت و به کمک الگوریتم فیلتر کالمن، به تخمین نسبت پوشش ریسک پویا برای ارائه سیگنال های معامله پرداخته شده است. از سیگنال های معامله برای توسعه یک استراتژی معامله زوجی بین 26 شرکت صنعت خودرو در بازار بورس اوراق بهادار، تهران طی دوره 1395 تا 1399 استفاده شده است. یافته ها: با توجه به نتایج هم انباشتگی، از بین 26 سهمی که برای تحلیل انتخاب شده بود، تنها 16 سهم رابطه هم انباشتگی داشت. بر اساس روش فیلتر کالمن، میزان بازدهی برابر 11 / 0 و نسبت شارپ برابر 06 / 3 به دست آمد. نتیجه گیری: نتایج به دست آمده از نسبت های شارپ و نرخ رشد مرکب سالانه، نشان می دهد که استفاده از استراتژی معاملات زوجی در دوره زمانی در دست بررسی و در صنعت خودرو سودآور است. افزون بر این، برای انجام معاملات زوجی، روش فیلتر کالمن نسبت به روش هم انباشتگی برتر است.

تجزیه و تحلیل شبکه یکی از روش های مورد توجه تحلیل گران برای تجزیه و تحلیل روابط پیچیده در داده ها به روش شهودی است. یکی از کاربردهای تجزیه و تحلیل شبکه، مصور سازی روابط بین طبقات مختلف دارایی هاست. بازار سهام به عنوان یک سیستم پیچیده ای در نظر گرفته می شود که پویایی پیچیده متعلق به خود را نشان می دهد. شناسایی پویایی های بازار سهام برای بازیگران، سرمایه گذاران و سیاست گذاران مالی مهم است. پیچیدگی بازار سهام می تواند دلایل مختلفی داشته باشد که وابستگی متقابل سهام به یکدیگر می تواند یکی از برجسته ترین این عوامل باشد. یکی از مهم ترین دغدغه های افراد در بازار سرمایه، یافتن روشی جهت ارائه و تحلیل داده های سهام شرکت های مختلف است. شرکت های مختلفی در بورس وجود دارد و همواره مدیران سبد سرمایه گذاری و سرمایه گذاران در انتخاب سبد سهام مناسب، نیاز به بررسی بهترین روش برای تشکیل سبد سهام هستند. در این مقاله در خصوص تشکیل پرتفوی متنوع و غیرمتنوع از طریق تئوری شبکه بحث می شود. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده 138 شرکت شاخص بورسی برای دوره 11-10-1395 الی 15-04-1400معادل 1648روز معاملاتی استفاده شده است. برای توصیف تاثیر بین سهام از ماتریس مجاورت استفاده شده و با استفاده از آستانه بهینه، پرتفوی متنوع و غیرمتنوع بدست می آید. نتایج سهام منتخب برای پرتفوی را با استفاده از رویکرد برابری ریسک سلسله مراتبی (HRP) پیاده سازی نموده و نتایج آن ربا سه روش مینیمم واریانس (MVP)[1]، توزیع یکنواخت (UNIF) و برابری ریسک (RP) برای دو دوره زمانی درون نمونه و برون نمونه، برای هر دو پرتفوی متنوع و غیر متنوع مقایسه می شود. در نهایت نتایج با استفاده از چهار معیار سورتینو، شارپ، ماکسیمم DD و کالمر مقایسه شده است. نتایج نشان دهنده برتری رویکرد سبد غیرمتنوع در دوران های نزولی بازار و برتری رویکرد سبد متنوع سازی شده در سایر زمان هاست.

تشکیل سبد سرمایه گذاری یکی از اصلی ترین دغدغه های مدیران و سرمایه گذارانی است که همواره در جست وجوی تلاش برای تشکیل بهترین سبد سرمایه گذاری هستند تا بتوانند بیشترین بازده را از بازار بدست آورند. تاکنون روش های زیادی برای تشکیل سبد سرمایه گذاری معرفی شده است که مشهورترین آن رویکرد مارکویتز است. تئوری میانگین-واریانس به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی دارای اشکالات عملی زیادی است. هدف از این پژوهش به حداکثر رساندن بازده تنظیم شده با ریسک در سبد سهام با استفاده از روش PCA در یک مجموعه داده از بازده سهام است. مجموعه داده مورد استفاده برای این مطالعه موردی، داده های روزانه تعدیل شده 50 شرکت شاخص برتر بورس و سهام مربوطه است برای دوره زمانی 1395-02-06 الی 11-09- 1399 برای 1027 روز معاملاتی است. از یک الگوریتم کاهش بعد (PCA) برای تخصیص سرمایه به کلاس های مختلف دارایی برای به حداکثر رساندن بازده های تعدیل شده توسط ریسک استفاده می کنیم و نتایج آن را با رویکرد تخصیص وزن برابر (1/N) مقایسه شده است. همچنین یک چارچوب پس آزمایی برای ارزیابی عملکرد سبدهای سرمایه گذاری ای که ارائه شده است، معرفی می -شود. مطابق نتایج نشان داده شد که واریانس توضیح داده شده توسط سه مولفه اصلی می تواند به عنوان شاخصی برای شناسایی مهم ترین ریسک های کسب و کار باشد.

هدف: مسئله تخصیص دارایی ها، به تصمیم گیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایه گذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایه گذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایه گذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روش های زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین واریانس، به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکال های عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینه سازی سبد سهام است که در شبیه سازی برون نمونه برای بازار سهام ایران، عملکرد برتری داشته باشد.روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسله مراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است.یافته ها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره درون نمونه و برون نمونه استفاده شد. نتایج به دست آمده از تحلیل درون نمونه و برون نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد.نتیجه گیری: رویکرد برابری ریسک سلسله مراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایه گذاران، ابزار مهم مدیریت ریسک محسوب می شود. مدیران سبدگردان و سرمایه گذاران نیز می توانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.

هدف: توسعه و پیشرفت علم و فن آوری، روزانه موجب ایجاد حجم زیادی از داده های ساخت یافته، نیمه ساختاریافته و بدون ساختار با سرعتی بسیار سریع از منابع مختلف گردیده که منجر به اشتراک گذاشتن الگوهای مشترک بسیاری شده به نحوی که می توان با استفاده از سیستم های توصیه کننده که بر اساس نیازهای کاربران طراحی شده با فیلتر و تجزیه وتحلیل این داده هایشان، توصیه هایی مربوط به محصول، کالا یا خدمات مورد علاقه آن ها ارائه داد. یکی از مسائل مهم در سیستم های توصیه کننده ارائه توصیه های شخصی سازی شده متناسب با روحیات کاربران است. روش شناسی پژوهش: در این پژوهش با رویکرد نگاشت دانش با استفاده از کتابخانه bibliometrix در نرم افزار R به مرور کلیه پژوهش های انجام شده در خصوص کاربرد سیستم های توصیه کننده در شخصی سازی پرداخته می شود. یافته ها : در این پژوهش با استفاده از روش نگاشت دانش ضمن تعریف سیستم های توصیه کننده و انواع آن، به معرفی نمای کلی از حیطه شخصی سازی پرداخته و انواع مختلف شخصی سازی ارائه می شود. همچنین در مورد روند شخصی سازی بحث نموده و در خصوص سیستم های توصیه کننده به عنوان بخش جدایی ناپذیر از این فرایند نیز توضیحاتی مطرح شده است. در ادامه چالش هایی که برای پیاده سازی سیستم های توصیه کننده وجود دارد ارائه شده است و نهایتاً حوزه هایی که بحث شخصی سازی سیستم های توصیه کننده می تواند در آن مطرح شود، ارائه می شود. اصالت/ارزش افزوده علمی: نتایج این پژوهش با مروری جامع بر کلیه پژوهش های این حوزه می تواند به عنوان جعبه ابزاری در جهت کاربرد سیستم های توصیه کننده در شخصی سازی محققان را در ایده پردازی و انتخاب روش مناسب در طبقه بندی و تحلیل داده ها یاری دهد.

هدف: یکی از موضوعاتی که تأثیر بسزایی در نحوه سرمایه گذاری افراد دارد، خصوصیات رفتاری سرمایه گذاران است. با توجه به اهمیت این موضوع، سرمایه گذاران باید بتوانند افراد سرمایه گذار را به طبقات مختلف دسته بندی نمایند و برای هر طبقه، سرمایه گذاری متناسب با تیپ شخصیتی همان طبقه را به آن ها توصیه کنند. یکی از راهکارهایی که برای این منظور می توان استفاده نمود، خوشه بندی است. خوشه بندی یکی از روش های یادگیری بدون نظارت بوده و ماهیتی توصیفی دارد. در این روش داده ها بر اساس یک معیار مشابهت به گونه ای تخصیص می یابند که داده های موجود در هر خوشه دارای بیشترین شباهت با یکدیگر و کمترین شباهت با داده های موجود در خوشه های دیگر باشند. روش شناسی پژوهش: در این پژوهش با استفاده از خوشه بندی k-means و روش انتشار وابستگی، مجموعه ای از سرمایه گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می کنیم. همچنین نشان می دهیم که چگونه می توان با استفاده از تکنیک های خوشه بندی به تخصیص مؤثر دارایی ها با استفاده از خصوصیات سرمایه گذاران پرداخت. یافته ه ا: از ضریب silhouette برای ارزیابی دو روش خوشه بندی استفاده نموده تا بهترین روش را برای خوشه بندی داده ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر  با 0.097 شد؛ بنابراین ما روش k-means را به عنوان روش خوشه بندی مطلوب انتخاب می نماییم. با استفاده از روش خوشه بندی K-means به خوشه بندی سرمایه گذاران براساس ویژگی های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم بندی می نماییم. اصالت/ارزش افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام شده است. نتایج این پژوهش می تواند توسط مدیران سرمایه گذاری و مشاوران توصیه گر سهام مورداستفاده قرار بگیرد.

این مقاله به برآورد ارزش در معرض ریسک و ریزش مورد انتظار با توجه به روش های نوین با تأکید بر رویکرد ارزش فرین شرطی و مقایسه آنها با عملکرد رویکرد های پارامتریک می پردازد. روش های معرفی شده محاسبه ریسک بازار برای شاخص کل بورس اوراق بهادار تهران در دوره 1387 تا 1395 انجام شده است. به علاوه، برای بررسی و مقایسه الگوها از روش های پس آزمایی VaR مانند آزمون های استقلال تخطی ها و پوشش برنولی و روش های پس آزمایی ES همچون آزمون مک نیل و فری و آزمون رتبه بندی MCS استفاده می شود. نتایج پس آزمایی به دست آمده در این مقاله حاکی از برتری محاسبه VaR برگرفته از تئوری ارزش فرین شرطی در مقایسه با سایر مدل های رقیب، از قبیل مدل ارزش فرین غیرشرطی، نرمال ایستا (روش واریانس کواریانس) و نرمال شرطی (مدل گارچ) است. همچنین نتایج تابع MCS برای معیار ES نشان داد رویکرد های ارزش فرین شرطی با فرض پسماندهای استانداردشده تی. استیودنت، ارزش فرین شرطی با فرض پسماندهای استانداردشده نرمال و مدل GARCH با فرض پسماندهای تی. استیودنت به ترتیب در رتبه های اول تا سوم قرار می گیرند