بهینه سازی ازدحام ذرات

روند تغییرات شاخص کل قیمت سهام، همواره به عنوان یکی از ملاک های سرمایه گذاری مدنظر قرار می گیرد. به دلیل وجود دو مؤلفه ای غیرخطی و متلاطم سری زمانی شاخص قیمت، در این پژوهش سعی شده مدل هیبریدی نوینی ارائه شود که بتواند روند حرکتی و تغییرات شاخص را با بیشترین دقت پیش بینی کند. در این مدل ابتدا با استفاده از تبدیل موجک، سری زمانی شاخص به شش سری زمانی مجزایی که ویژگی های غیرخطی و متلاطم شاخص مدنظر را نمایندگی می کند، تفکیک می شود. در ادامه، سری های زمانی استخراج شده با رفتار غیرخطی، با استفاده از ترکیب مدل ماشین بردار پشتیبان و بهینه سازی ازدحام ذرات و سری های زمانی مبتنی بر رفتار متلاطم شاخص کل با بهره گیری از مدل GJR پیش بینی می شوند؛ سپس با جمع نتایج به دست آمده از پیش بینی دو مؤلفه ای غیر خطی و متلاطم شاخص قیمت، سری زمانی شاخص کل قیمت برآورد می شود. نتایج به دست آمده نشان می دهد مدل هیبریدی ارائه شده این پژوهش در مقایسه با سایر روش های پیش بینی، خطای کمتری داشته و از دقت بیشتری برخوردار است.

هدف: از آنجا که سرمایه گذاری خطرپذیر، بهترین روش تأمین مالی برای ایجاد و رشد شرکت های نوپا و دانش بنیان است، توجه بسیاری از کشورهای توسعه یافته را به خود جلب کرده است. نحوه انتخاب شرکت های نوپا و اتحاد سرمایه گذاران، از چالش های مهم این صنعت است. از این رو، همواره نیاز به روش های یکپارچه ای بر اساس رویکردهای تحلیل کمّی احساس می شود. در پژوهش حاضر، بهینه سازی سبد شرکت های نوپا به محیط واقعی نزدیک تر شده و ترجیح شرکت های نوپا، همانند شرکت های سرمایه گذاری خطرپذیر، به عنوان تصمیم گیرنده در نظر گرفته شده است تا نشان داده شود که کدام سرمایه گذارها در کدام شرکت های نوپا با یکدیگر مشارکت کنند و سهم هر یک چقدر باشد. روش: با لحاظ کردن پیچیدگی مسئله، نزدیک ترین مدل به محیط واقعی، مدل عامل محور است. با اتخاذ دو موتور محاسبه ای مستقل مبتنی بر سیستم استنتاج تطبیقی فازی عصبی و ترکیب این سیستم با الگوریتم بهینه سازی ذرات و در جهت بهبودبخشی، از روش فراابتکاری جست وجوی هارمونی اصلاح شده، برای شناسایی سبد سرمایه گذاری نزدیک به بهینه استفاده شده است. یافته ها: پس از مطرح کردن چهار مثال با ابعاد گوناگون، روش حل پیشنهادی برای هر یک 5 بار به صورت مستقل اجرا شد. بر اساس محاسبه ها، موتور محاسبه ای سیستم استنتاج فازی عصبی تطبیقی تنظیم شده توسط الگوریتم بهینه سازی ازدحام ذرات، کاراتر بود و سبد بهینه مبتنی بر آن به دست آمد. نتیجه گیری: بر اساس فرضیه های مسئله و مشخصه های هر یک از عامل ها در سرمایه گذاری خطرپذیر، مدیریت ریسک پرتفوی هر یک از سرمایه گذاران و سهم هر یک و اتحادهای پیشنهادی مدل مابین سرمایه گذاران، بهینه شد.

این مقاله از الگوریتم ازدحام ذرات برای بهینه یابی سبد دارایی مارکوویتز با توجه به معیارهای متفاوت اندازه گیری ریسک یعنی میانگین واریانس، میانگین نیم- واریانس و میانگین قدر مطلق انحرافات و همچنین محدودیتهای موجود در بازار واقعی مانند "اندازه ثابت تعداد سهام" و "محدودیت خرید"  استفاده کرده است. برای بررسی قابلیت حل این مسائل به کمک این الگوریتم، از داده های واقعی 186 شرکت در بورس اوراق بهادار تهران در فاصله زمانی تیر 1385 تا تیر 1390 استفاده شده است. نتایج به دست آمده از این پژوهش حاکی از عملکرد موفق الگوریتم PSO در محاسبه مرز کارای مارکوویتز در تعاریف مختلف اندازه گیری ریسک است.  Abstract In this paper, Particle Swarm Optimization (PSO) is employed to optimize Markowitz portfolio based on different risk measurement criteria, namely, mean-variance, semi-variance and mean absolute deviation considering constraints of real markets such as "fixed stock numbers" and "cardinality constraints". To investigate the efficiency of the proposed algorithm, the data obtained from 186 companies of Tehran Stock Exchange in duration of Tir of 1385 until Tir of 1390 are used. The obtained results demonstrate the efficiency of PSO as a promising method in calculating appropriate constraint of Markowitz based on different definitions of risk measurement.  

هدف: برای کاهش تضاد منافع بین مدیران و سهام داران، بر تسهیم منافع تمرکز می شود. پاداش به مدیران، یکی از راه های کاهش این تضاد است و به عنوان ابزاری برای هم سو کردن دیدگاه ها و عملکرد آنان در جهت افزایش ثروت سهام داران استفاده می شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم سویی عملکرد مدیران با منافع سهام داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت ها، نقش سرمایه گذاران نهادی مطرح است. نظریه نمایندگی به مشکلاتی اشاره می کند که در زمان تفویض اداره شرکت به مدیران توسط مالکان به وجود می آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام داران باید مرتبط باشد. یکی از روش های اصلی اندازه گیری عملکرد مدیر، گزارش های حسابداری است که به عنوان ابزاری برای اندازه گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) است. روش: جامعه آماری این پژوهش را کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۳۹۰ تا ۱۴۰۰ تشکیل می دهد. در این پژوهش به منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و ۱۱۰ شرکت انتخاب شد. براساس دسته بندی پژوهش ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به علاوه، از نوع تحقیقات شبه تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می گیرد. روش های گردآوری داده های پژوهش مطالعه اسناد و مدارک، کاوش اینترنتی و مطالعه کتابخانه ای بسته به نیاز بوده است. در این پژوهش ۱۲ پارامتر تأثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به عنوان ورودی مدل داده کاوی انتخاب شده است که عبارت اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت های مالی، مدیریت سود، محافظه کاری شرطی، تطابق درآمد و هزینه، ارزش افزوده بازار، اکتساب شرکتی، قراردادهای بدهی و رفتار هزینه با سه نوع (تغییرات بازده دارایی، تغییرات درآمد فروش و تغییرات هزینه های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به عنوان خروجی مدل داده کاوی انتخاب شد. بدین منظور، سه مدل داده کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد. یافته ها: نتایج از برتری مدل شبکه عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص MSE حکایت می کند. این برتری برای هر سه مدل داده کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل های داده کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه های عملیاتی، بهترین نتایج را کسب کرده است. در سطح بعدی، مدل دوم با پارامتر رفتار هزینه: تغییرات درآمد فروش، بهترین نتایج را کسب کرده است. در نهایت مدل داده کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف ترین نتایج را کسب کرده است. نتیجه گیری: استفاده از شبکه های عصبی عمیق با بهینه سازی الگوریتم های فراابتکاری، می تواند مدل های پیش بینی مبتنی بر داده های واقعی را ایجاد کند و از آن ها می توان برای تصمیم گیری های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان ها استفاده کرد. این روش ها با بهره گیری از داده های موجود و الگوریتم های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان ها را ارتقا می دهد. از طرف دیگر، این پژوهش می تواند به سرمایه گذاران و تصمیم گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه های عصبی عمیق و الگوریتم های فراابتکاری بپردازند.