الگوریتم حرکت تجمعی ذرات

هدف: به باور بنیش (1999)، دستکاری سود زمانی رخ می دهد که مدیریت، اصول پذیرفته شده عمومی حسابداری را به منظور سودآور نشان دادن عملکرد مالی شرکت نقض می کند. در این پژوهش، مدل بنیش با تأکید بر متغیرهای خارج از داده های حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است. روش: برای دستیابی به هدف پژوهش، داده های لازم برای 184شرکت پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1386 تا 1396 جمع آوری شدند. ضرایب مدل ها، به روش شبکه عصبی آموزش یافته با الگوریتم PSO برآورد شده اند. برای فراهم آوردن قابلیت مقایسه نیز، 10 اجرا با 300 تکرار در هر اجرا انجام گرفت و پس از هم گرایی، اجراها متوقف شدند. یافته ها: توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار 0807/0 به 0777/0 کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، به ازای بهترین نقطه برش (5021/0) و بهترین دقت (26/60درصد) 5538/0 بود و این سطح در مدل توسعه یافته بنیش به ازای بهترین نقطه برش (5304/0) و بهترین دقت (42/67درصد) به 6335 /0 افزایش یافت. نتیجه گیری: نتایج حاکی از تصادفی بودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود است. همچنین، نتایج افزایش قدرت مدل توسعه یافته بنیش در قیاس با مدل اصلی را نشان می دهد؛ اما نتیجه آزمون ضعیف است و نشان می دهد که مدل توسعه یافته بنیش نیز در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود، کمابیش یک مدل تصادفی است.

هدف: هدف اصلی این مطالعه کاربرد معیار آنتروپی تجمعی در مدل بهینه سازی سبد سهام مارکوویتزو حل این مدل با الگوریتم فراابتکاری حرکت تجمعی ذرات ( PSO ) برای بهینه سازی سبد سهام شرکت های پتروشیمی بازار بورس است که بدین منظور از داده های بازدهی ماهانه مربوط به 15 شرکت پتروشیمی بازار بورس در بازه زمانی 1 / 7 / 1392 تا 31 / 6 / 1398 استفاده شده است.   روش: برای بهینه سازی سبد سهام در دنیای واقعی به دلیل درنظرگرفتن محدودیت های متعدد، مدل مارکوویتز قابلیت تولید جواب بهینه را ندارد. ازاین رو می توان از الگوریتم های فراابتکاری کمک گرفت. در این پژوهش با استفاده از معیار آنتروپی تجمعی و الگوریتم PSO بهینه سازی سبد سهامِ شرکت های پتروشیمی انجام می شود.   یافته ها : در الگوریتم PSO مقدار ِ میانگین تابع بازدهی سهام کمتر از مقدار ِ میانگین تابع بازدهی سهام در مدل مارکوویتز است.  برای مقایسه نهایی این دو مدل با استفاده از مقادیر جدول، شاخص پاداش نوسان پذیری سبد سهام (که نسبت بازدهی به ریسک سبد سهام تعریف می شود) محاسبه شده است که مقدار این شاخص در الگوریتم PSO بیشتر از مدل مارکوویتز است.   نتیجه گیری: معیار آنتروپی تجمعی می تواند در بسیاری از مسائل مالی بدون لحاظ کردن محدودیت های مربوط به معیار واریانس استفاده شود. در زمینه بهینه سازی سبد سهام، الگوریتم PSO با استفاده از معیار آنتروپی تجمعی یک سبد سهام با کارایی بیشتر نسبت به مدل مارکوویتز تشکیل داده و در نهایت یک سبدسهام بهینه برای سرمایه گذار طراحی می کند.

سبد سهام به ترکیبی از سهام های مختلف گفته می شود که برای سرمایه گذاری تشکیل می گردد. مساله انتخاب سبد سهام بهینه یکی از پیچیده ترین مسائل حوزه مالی و سرمایه گذاری می باشد، این مساله را می توان به طور ساده به این صورت بیان کرد: یک مجموعه n تایی از سهم ها برای انتخاب وجود دارند، هر یک از این n سهم باید چند درصد از کل مبلغ سرمایه گذاری را به خود اختصاص دهند تا بازده کل سبد تشکیل شده حداکثر و ریسک کل ان حداقل شود. مساله انتخاب سبد سهام بهینه یک مسئله ان پی سخت است و در حالت کلی هیچ روش قطعی در زمان چند جمله ای برای یافتن جواب دقیق برای این مسئله وجود ندارد، بنابراین بایستی برای حل این مسئله استفاده از روش های هوشمند و فراابتکاری مورد توجه قرار گیرد. در این مقاله برای حل مساله انتخاب سبد سهام بهینه از روش فراابتکاری حرکت تجعی ذرات استفاده می گردد.