امیرعباس نجفی

در این مقاله، مسئله زمانبندی پروژه بر پایه حجم کار[1]با محدودیت منبع برای کمینه کردن هزینه های زودکرد و دیرکرد با توجه به حجم کار ثابت برای فعالیت ها، روابط پیشنیازی و محدودیت منابع تجدیدپذیر مورد بررسی و تحلیل قرارگرفته است. باتوجه به اینکه فعالیت ها دارای سررسید مشخصی هستند برای فعالیت هایی که از سررسید خود انحراف دارند جریمه زودکرد و دیرکرد در نظر گرفته می شود. برای حل این مسئله دو الگوریتم فراابتکاری ژنتیک و شبیه سازی تبرید طراحی شده و پارامترهای این الگوریتم ها با استفاده از روش تاگوچی تنظیم شده است. برای بررسی عملکرد این دو الگوریتم، مجموعه ای از مسائل نمونه حل و با با استفاده از آزمون های آماری به مقایسه جواب های حاصل از دو الگوریتم پرداخته شده است.

برنامه ریزی و زمان بندی پروژه یکی از مباحث بسیار مهمی است که مدیران پروژه با آن مواجه اند و از عوامل کلیدی در موفقیت یا عدم موفقیت پروژه محسوب می شود. تحقیقات انجام گرفته در زمان بندی پروژه نشان می دهد که به طور مرسوم در زمان بندی پروژه برنامه ریزی تجهیزات را نادیده گرفته و یا ابتدا فعالیت های پروژه زمان بندی و سپس تجهیزات بر اساس آن برنامه ریزی می شود. این کار سبب خارج شدن از بهینه زمان بندی می شود. در این مقاله با مد نظر قرار دادن همزمان زمان بندی پروژه و برنامه ریزی تجهیزات، دو الگوریتم ژنتیک و شبیه سازی تبرید برای کمینه کردن هزینه ها، ارائه می شود. برای بررسی کارایی الگوریتم های پیشنهادی، مسائلی با تعداد فعالیت ها و تجهیزات مختلف مورد بررسی قرار گرفته و نتایج با هم مقایسه می شوند. نتایج نشان می دهد که الگوریتم های پیشنهادی قادرند تا مدل برنامه ریزی خطی عدد صحیح مختلط موجود را با تعداد گره های بالا و ضریب پیچیدگی های مختلف در زمانی کوتاه حل کنند. زمان بندی پروژه، الگوریتم ژنتیک ،شبیه سازی تبرید، برنامه ریزی تجهیزات

انتخاب سبد سرمایه گذاری همواره یکی از مباحث مهم در حوزه مدیریت سرمایه گذاری بوده که در رابطه با نحوه تخصیص سرمایه یک سرمایه گذار به دارایی های مختلف و تشکیل یک پرتفوی کارا بحث می کند که هرچه مفروضات و شرایط مدل سازی جهت انتخاب و بهینه سازی سبد سرمایه گذاری به شرایط دنیای واقعی نزدیک تر باشد، نتایج حاصل از آن بیشتر قابل اتکا خواهد بود. در نظر گرفتن افق تک دوره ای برای سرمایه گذاری چندان واقعی نبوده و بیشتر سرمایه گذاران برای بیش از یک دوره اقدام به سرمایه گذاری می کنند که سرمایه گذار بتواند موقعیت خود را در طول زمان مورد بازنگری قرار دهد. همچنین در دنیای واقعی داده ها و پارامترها همواره با عدم قطعیت مواجه هستند. بنابراین توسعه مدل های بهینه سازی سبد سرمایه گذاری چنددوره ای یک نیاز اساسی می باشد که در این پژوهش علاوه بر در نظر گرفتن افق چنددوره ای و هزینه معاملاتی، از قدرمطلق انحراف از میانگین به عنوان سنجه ریسک استفاده شده و محدودیت های نقدینگی، کاردینالیتی، آستانه و کلاس نیز در مدل لحاظ گردیده و همچنین عدم قطعیت داده ها نیز با استفاده از ابزار درخت سناریو مدل سازی شده است. در ادامه پس از مدل سازی، به منظور حل این مدل از روش برنامه ریزی پویا استفاده شده و سرانجام کارایی مدل با استفاده از داده های 0 سهم از بورس اوراق بهادار تهران مربوط به سال های 1975 تا 1974 آزمون شده است. در بهینه سازی مدل ارائه شده در این پژوهش، تأثیر عواملی نظیر حدود تعیین شده برای متغیرهای تصمیم و نیز تعداد دارایی های موجود در پرتفوی، مورد بررسی قرار گرفته و نتایج حاصل گویای آن است که مدل ارائه شده دارای عملکرد مناسبی بوده و نتایج حاصل از آن با تئوری موضوع کاملاً سازگاری دارد.

اصلاح نهادها با هدف بهبود رفاه جامعه از اهداف سیاست گذاران اقتصادی محسوب می شود. در این تحقیق کارایی شرکت های بیمه و اثر اصلاح نظام نرخ دهی و تعرفه (تغییر نهادی) در سال 1388 تجزیه وتحلیل شده است. برای این منظور در مرحله اول کارایی شرکت های بیمه طی سال های 1390-1382 با رویکرد ترکیبی گرام-اشمیت و تحلیل پوششی داده ها محاسبه شده است. در این مرحله ابتدا همبستگی بین متغیر های مدل توسط الگوریتم گرام - اشمیت کاهش پیدا کرده و سپس اندازه کارایی شرکت ها توسط مدل MSBM - که توانایی مواجهه با اعداد منفی را دارد - محاسبه شده است. در مرحله دوم توسط مدل GEE اثر آزادسازی نظام تعرفه و دیگر متغیر های محیطی توضیح دهنده بر کارایی شرکت های بیمه طی 9 سال بررسی گردیده است. نتایج تحقیقات نشان داد که اصلاح نظام تعرفه بر کارایی شرکت های بیمه اثر منفی داشته و باعث افت کارایی شرکت های بیمه شده است. در انتها راه کارهای مناسب برای برون رفت از وضع موجود پیشنهاد شده است.

ممنوعیت فروش استقراضی (نامنفی بودن اوزان دارایی) یکی از فرض های اولیه ی مدل مارکویتز است که تنها وضعیت خرید را برای دارایی ها ممکن می کند. حل مدل کوآدراتیک مارکویتز  با در نظر گرفتن تنها دو محدودیت بازده و بودجه، مرز کارای نامقید سرمایه گذاری را به دنبال دارد. در سال های گذشته، معرفی سایر محدودیت های کاربردی منجر به توسعه ی مدل اولیه ی مارکویتز شده اند. در پژوهش پیش رو، مدلی نوین برای بهینه سازی پرتفو ارائه شده است که افزون بر مجاز شمردن فروش استقراضی، برخی محدودیت های کاربردی بازار نیز به مدل تحمیل شده است. با استفاده از اطلاعات قیمت 15 سهم، مدل غیرخطی پیشنهادی با به کارگیری ابزارهای استاندارد حل شده و مرز کارای مقید ترسیم شده است.

از مهم ترین مسائل در زمینه بهینه سازی قابلیت اطمینان سیستم ها، مسئله تخصیص مازاد است که در ساختارهای مختلفی بررسی شده است. ساختار k از n، ساختاری کلی است و از طریق آن می توان مجموعه وسیع تری از مسائل را تجزیه و تحلیل کرد. بنابراین، در این مقاله، سیستم های k از n بررسی شده اند. در اغلب مسائل تخصیص مازاد، فرض می شود که راهبرد مازاد برای هر زیرسیستم از قبل مشخص و ثابت است، اما در سیستم های واقعی، انتخاب راهبرد مازاد برای هر زیرسیستم، قابلیت اطمینان سیستم را افزایش می دهد. در این مقاله، انتخاب راهبرد مازاد برای هر زیرسیستم، متغیر تصمیم در نظرگرفته شده است. با توسعه مدل ریاضی و تبدیل آن به مدل خطی و با استفاده از برنامه ریزی عدد صحیح، جواب بهینه مسئله به دست آمده است. کارایی روش پیشنهادی با حل یک مثال معتبر در ادبیات موضوعی و مقایسه نتایج آن بررسی شده است.

در این نوشتار مسئله انتخاب سبد مالی با استفاده از رویکرد بهینه سازی بازه ای بررسی شده است. بدین منظور ارزش در معرض خطر مشروط که زیان انتظاری در یک سطح اطمینان تعیین شده را برآورد می کند، معیاری برای برآورد ریسک در نظر گرفته شده است. استفاده از ارزش در معرض خطر مشروط، باعث می شود که مدل انتخاب سبد سهام به یک مدل برنامه ریزی خطی تبدیل شود. توسعه صورت گرفته در این مدل، در نظر گرفتن بازده های انتظاری به شکل بازه ای است؛ به همین دلیل از رویکرد بهینه سازی بازه ای استفاده می شود. بهینه سازی بازه ای برای در نظر گرفتن عدم قطعیت داده هاست. این رویکرد مدل های قطعی را به دنیای واقعی نزدیک تر می کند، درواقع به کمک این مدل می توان در بدترین حالت نوسان بازار سهام، به بهترین جواب رسید نتایج حل این مدل نشان دهنده کارایی رویکردی است که در این پژوهش پیشنهاد شده است.

زمان سنجی بازار اتخاذ تصمیمات سرمایه گذاری با یک استراتژی معاملاتی مکانیکی براساس برخی معیارهای اقتصاد کلان است. در این تحقیق، شاخص احساسات سرمایه گذار و شاخص های اقتصاد کلان نظیر تورم، نرخ ارز، رشد اشتغال و تولید ناخالص حقیقی متغیرهای نماینده برای زمان سنجی بازار به منظور پیش بینی جهت و بازده شاخص کل بورس اوراق بهادار تهران مورد استفاده قرار گرفت. در این راستا از چهار مدل رگرسیون لجستیک، لسو، ستیغی و الستیک نت با استفاده از داده های ماهانه در دوره زمانی 1395 تا 1399 استفاده شد. به منظور توسعه شاخص احساسات، با بهره گیری از مدل تحلیل عاملی اکتشافی، از شش متغیر احساسی مختلف استفاده شد که در نهایت، سه متغیر نسبت سهام در سبد صندوق های سرمایه گذاری، شاخص قیمت و شاخص ۵۰ شرکت برتر برگزیده شدند. خروجی مدل رگرسیون لجستیک به منظور پیش بینی براساس تک شاخص با مقدار پیش بینی براساس دیگر شاخص ها مقایسه گردید که نتیجه حاکی از برتری پیش بینی لجستیک براساس همه متغیرها نسبت به پیش بینی لجستیک براساس تک شاخص داشت. مقایسه سه مدل لاسو، ستیغی و الستیک نت، برای پیش بینی نشان داد که قدرت و دقت مدل رگرسیون ستیغی بیشتر از دو مدل دیگر بود به علاوه دو مدل لسو و الستیک نت تقریبا دقت برابری داشتند. نتایج این تحقیق می تواند برای شرکت های سرمایه گذاری و سبدگردان، تحلیل گران و سرمایه گذاران مفید باشد.

هدف: امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل های سنتی، به سختی می توان هم گام با تغییرات بازار پیش رفت. در کنار کارایی روش های سنتی، سرعت کم این رویکردها را می توان مهم ترین کاستی آنها دانست؛ چرا که نمی توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک های دادوستد الگوریتمی ارائه شده اند که در این میان، انتخاب برخط سبد سرمایه گذاری، بسیار با اهمیت است. هدف این پژوهش، ارائه الگوریتمی برای انتخاب سبد سرمایه گذاری است که به کسب بیشترین بازدهی تعدیل شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه گذاری افزایش دهد. روش: در پژوهش پیش رو، الگوریتمی ارائه شده است که از اصل بازگشت به میانگین چند دوره ای که مبنای الگوریتم های تبعیت از بازنده است، استفاده می کند. در این الگوریتم، خبرگان (خبره ) مختلف، بردار نسبت قیمتی دوره آتی را پیش بینی می کنند، سپس، به کمک یکی از الگوریتم های نظریه پیش بینی با نظر خبرگان، وزن های تخصیصی به هریک از خبرگان تعیین می شود. سپس از یک تکنیک یادگیری برای بهینه سازی پرتفو استفاده می شود تا پرتفو دوره آتی مشخص شود. یافته ها: بر اساس یافته ها، الگوریتم های ارائه شده، در مقایسه با سایر الگوریتم های موجود در ادبیات، بر اساس سنجه های بازدهی و بازدهی تعدیل شده به ریسک عملکرد برتری دارند. نتیجه گیری: استفاده از بازگشت به میانگین چند دوره ای، بهتر می تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره مندی از خبرگان مختلف، دقت پیش بینی ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می شود. از سوی دیگر، بهره گیری از سیستم وزن دهی خبرگان، سبب استوار شدن مدل می شود؛ زیرا از وزن خبرگان با پیش بینی های ضعیف می کاهد و در مقابل، به وزن سایر خبرگان می افزاید.