رشته مهندسی صنایع گرایش مهندسی مالی انتخاب سبد سرمایه با بهره گرفتن از ماشین بردار پشتیبان و ...

۲-۵کاربرد ماشین بردار پشتیبان در مدیریت پرتفو. ۲۶
۲-۶مدل تحلیل پوششی داده ها ۲۷
۲-۶-۱ماهیت الگوی مورد استفاده ۲۸
۲-۶-۳انواع الگو های DEA 29
2-7الگوریتم خوشه بندی K-means 36
فصل سوم: روش تحقیق ۴۰
۳-۱ مقدمه. ۴۱
۳-۲ طرح کلی از مدل. ۴۱
۳-۳ آماده سازی داده ها ۴۲
۳-۳-۱ تعیین نسبت های مالی ۴۲
۳-۳-۲ ساخت مجموعه داده سهام ها ۴۳
۳-۳-۳ کاهش سطری و ستونی ۴۳
۳-۳-۴ معیارهای دسته بندی ۴۴
۳-۳-۵ تکمیل داده های مفقوده ۴۵
۳-۴ دسته بندی داده ها ۴۶
۳-۴-۱ دسته بندی به کمک تکنیکDEA 46
3-4-2 دسته بندی بر اساس نظریه مدل قیمت گذاری دارایی سرمایهای (CAPM) 47
3-5خوشه بندی داده ها و مشخص نمودن داده های زائد. ۴۸
۳-۶حل مدل با بهره گرفتن از ماشین بردار پشتیبان. ۴۹
۳-۶-۱ماشین بردار پشتیبان برای رویکرد مبتنی بر DEA 49
3-6-2 ماشین بردار پشتیبان مبتنی بر رویکرد CAPM 50
3-7 تشکیل پرتفو. ۵۱
۳-۸ اعتبار سنجی مدل. ۵۱
۳-۹ جمع بندی ۵۲
فصل چهارم: پیاده سازی مدل در بورس اوراق بهادار تهران، نتایج و عملکرد. ۵۳
۴-۱ مقدمه. ۵۴
۴-۲ داده های مورد استفاده ۵۴
۴-۳ آماده سازی داده ها ۵۵
۴-۴ دسته بندی داده ها ۵۶
۴-۴-۱ دسته بندی داده ها بر مبنای رویکرد DEA 56
4-4-2 دسته بندی بر مبنای مدل CAPM 58
4-5 خوشه بندی داده ها و حذف داده های زائد. ۵۹
۴-۵-۱ خوشه بندی داده های مبتنی بر رویکرد DEA 59
4-5-2 خوشه بندی داده های مبتنی بر رویکرد CAPM 61
4-6 دسته بندی به کمک ماشین بردار پشتیبان. ۶۴
۴-۶-۱ دسته بندی مبتنی بر رویکرد DEA 64
4-6-2 دسته بندی مبتنی بر رویکرد CAPM 71
4-7 رتبه بندی سهام. ۷۴
۴-۸ تشکیل پرتفو. ۷۵
۴-۹ اعتبارسنجی مدل. ۷۹
۴-۱۰ جمع بندی ۸۰
فصل پنجم: نتیجه گیری و پیشنهاد برای تحقیقات آتی ۸۱
۵-۱مقدمه. ۸۲
۵-۲ یافته ها و نتایج تحقیق ۸۳
۵-۳ دستاوردهای تحقیق ۸۳
۵-۴ پیشنهاداتی برای تحقیقات آتی ۸۴
فهرست مراجع. ۸۶
فهرست جداول
 
جدول ۲-۱ برخی از مدل های توسعه یافته در حوزه ماشین بردار پشتیبان (به ترتیب سال تحقیق) ۲۱
جدول۲‑۲ برخی از مطالعات صورت گرفته در حوزه مرتبط با توابع کرنل در ماشین بردار پشتیبان( ترتیب سال تحقیق) ۲۵

جدول۳-۱ نسبتهای مالی استفاده شده ۴۴
جدول۴- ۲ نرخ سود سپرده گذاری یکساله. ۵۸
جدول۴- ۳ تعداد داده هر دسته در رویکرد DEA. 60
جدول۴- ۴ تعداد داده خوشه های دسته(۱-،۱،۱-) ۶۰
جدول۴- ۵ تعداد داده خوشه های دسته(۱-،۱-،۱-) ۶۱
جدول۴- ۶ تعداد داده های دسته های مبتنی بر رویکردCAPM 61
جدول۴- ۷ تعداد داده های خوشه های دسته(۱،۱) ۶۲
جدول۴- ۸ تعداد داده خوشه های دسته(۱،۱-) ۶۲
جدول۴- ۹ تعداد داده خوشه های دسته(۱،۱-) ۶۳
جدول۴- ۱۰ تعداد داده های خوشه های دسته (۱-،۱-) ۶۳
جدول۴- ۱۱ نتایج حاصل از اجرای مدل برحسب بازده ۶۵
جدول۴- ۱۲ نتایج حاصل از دسته بندی بر حسب ریسک برای کلاس ۱ بازده ۶۶
جدول۴- ۱۳ نتایج دسته بندی برحسب ریسک برای کلاس۱- بازده ۶۶
جدول۴- ۱۴ نتایج حاصل از دسته بندی بر حسب نقدشوندگی برای دسته(۱،۱) ۶۷
جدول۴- ۱۵نتایج دسته بندی بر حسب نقدشوندگی برای دسته(۱،۱-) ۶۸
جدول۴- ۱۶نتایج دسته بندی برحسب نقدشوندگی برای دسته(۱-،۱) ۶۹
جدول۴- ۱۷نتایج دسته بندی برحسب نقدشوندگی برای دسته(۱-،۱-) ۶۹
جدول۴- ۱۸عملکرد مدل برای هر دسته مبتنی بر رویکرد DEA. 71
جدول۴- ۱۹ نتایج دسته بندی برحسب بازده انتظاری ۷۲

مطلب دیگر :

دانلود فایل پایان نامه روانشناسی یادگیری اجتماعی

جدول۴- ۲۰نتایج دسته بندی برحسب نقدشوندگی برای کلاس ۱ بازده انتظاری ۷۲
جدول۴- ۲۱ نتایج دسته بندی بر حسب نقدشوندگی برای کلاس۱- بازده انتظاری ۷۳
جدول۴- ۲۲عملکرد مدل در هر دسته در رویکرد CAPM 74
جدول۴- ۲۳ نتایج پرتفو برترین ها CAPM 76
جدول۴- ۲۴ نتایج پرتفو حاصل از ۲۵% برتر سهام ها مبتنی بر رویکرد CAPM 76
جدول۴- ۲۵ نتایج پرتفو حاصل از برترین های مبتنی بر DEA. 77
جدول۴- ۲۶ نتایج پرتفو حاصل از ۲۵% برتر مبتنی بر DEA. 77
جدول۴- ۲۷ سهام ها حاضر در پرتفو بهینه ارائه شده ۷۸
جدول۴- ۲۸ نتایج حاصل از پرتفوی کل بازار ۷۹
جدول۴- ۲۹ نتایج حاصل از تشکیل پرتفو به روش مارکویتز. ۸۰
 
فهرست شکل ها
شکل ۲-۱ تفکیک داده ها در حالت تفکیک پذیر خطی ۱۶
شکل ۲-۲ تفکیک داده ها در حالت تفکیک ناپذیر خطی ۱۸
شکل ۲-۳ ماشین بردار پشتیبان غیر خطی ۲۳
شکل۳- ۱ طرح کلی مدل. ۴۲
شکل۳-۲ مدل مفهومی ماشین بردار پشتیبان سلسله مراتبی ۵۰
جدول۴- ۱ انواع ورودی و خروجی های استفاده شده در ادبیات موضوع. ۵۷
شکل۴- ۱ مقدار تابع- تکرار دسته بندی برحسب بازده ۶۵
شکل۴- ۲ مقدار تابع-تکرار دسته بندی کلاس۱ بازده برحسب ریسک ۶۶
شکل۴- ۳ مقدارتابع-تکرار برای دسته بندی بر حسب ریسک کلاس۱- بازده ۶۷
شکل۴- ۴ مقدارتابع-تکرار دسته بندی بر حسب نقدشوندگی برای دسته(۱،۱) ۶۸
شکل۴- ۵مقدارتابع-تکرار دسته بندی برحسب نقدشوندگی برای دسته(۱،۱-) ۶۸
شکل۴- ۶ مقدارتابع-تکرار دسته بندی برحسب نقدشوندگی برای دسته(۱-،۱) ۶۹
شکل۴- ۷ مقدار تابع-تکرار دسته بندی بر حسب نقدشوندگی برای دسته(۱-،۱-) ۷۰
شکل۴- ۸ مقدارتابع-تکرار دسته بندی بر حسب بازده انتظاری ۷۲
شکل۴- ۹مقدار تابع-تکرار برحسب نقدشوندگی برای کلاس ۱ بازده انتظاری ۷۳
شکل۴- ۱۰ مقدار تابع-تکرار بر حسب نقدشوندگی برای کلاس۱- بازده انتظاری ۷۳

فصل ۱: مقدمه و کلیات تحقیق

۱ -۱ مقدمه

در زمینه تحقیقات سرمایه گذاری در بازار سهام و تشکیل پرتفو مدل­های کمی امکان پذیری وجود دارد. که شامل روش­های پدید آمده از محاسبات نرم افزاری برای پیش بینی سری زمانی مالی و بهینه سازی چند هدفه نرخ بازگشت سرمایه و کاهش ریسک می­باشد. علاوه بر این انتخاب ابزارهای مالی برای مدیریت پرتفو مبتنی بر رتبه بندی دارایی­ها با بهره گرفتن از انواع مختلف داده ­های ورودی و داده ­های تاریخی نیز جزیی از روش­های استفاده شده است. از میان همه این­ها انتخاب سهام مدت طولانی است که به عنوان یک کار چالش برانگیز و مهم شناخته شده است. این خط از تحقیق بسیار مشروط بر رتبه بندی سهام مطمئن برای ساختن پرتفو است. پیشرفت­های اخیر در یادگیری ماشین و داده کاوی منجر به وجود آمدن فرصت­های قابل توجهی برای حل این مشکلات به صورت موثرتری گردیده است. در این پایان نامه مدلی ارائه شده است که با بهره گرفتن از ماشین بردار پشتیبان[۱] و خوشه بندی[۲]و تحلیل پوششی داده ها[۳] ضمن پیش بینی، سهام­های برتر را در قالب پرتفو انتخاب می­نماید.

۱-۲ هدف از پایان نامه