انتخاب سبد سرمایه با استفاده از ماشین بردار پشتیبان و خوشه بندی word

 کلید واژه: پرتفو، ماشین بردار پشتیبان، خوشه ­بندی، تحلیل بنیادی. تحلیل پوششی داده ها

فهرست مطالب

فصل 1: مقدمه و کلیات تحقیق. 1

1 -1 مقدمه. 2

1-2 هدف از پایان نامه. 3

1-3 توضیح موضوع تحقیق. 3

1-4 توجیه ، انگیزه و علت انتخاب موضوع. 4

1-5 اهمیت موضوع. 5

1-6 مرور کلی بر ادبیات موضوع. 6

1-7 جنبه های نوآوری موضوع. 7

1-8 پرسشها و سوالات اصلی تحقیق. 8

1-9 روش و متدولوژی تحقیق. 8

1-10 نتایج مورد انتظار. 9

1-11 کاربرد های تحقیق. 9

1-12 چارچوب پایان نامه. 10

1-13 جمع بندی. 11

فصل دوم: مروری بر تحقیقات پیشین. 12

2-1 مقدمه. 13

2-2مروری بر مفاهیم پایه ماشین بردار پشتیبان. 14

2-2-1ابرصفحه ونیم فضا. 14

2-2-2نرم بردار . 14

2-2-3فاصله نقطه از ابرصفحه. 14

2-2-4ابرصفحه متعارفی. 15

2-3انواع ماشین بردار پشتیبان. 15

2-3-1مدل داده های تفکیک پذیر خطی. 15

2-3-2مدل داده های تفکیک ناپذیر خطی. 18

2-4توابع کرنل. 23

2-5کاربرد ماشین بردار پشتیبان در مدیریت پرتفو. 26

2-6مدل تحلیل پوششی داده ها. 27

2-6-1ماهیتالگویمورداستفاده. 28

2-6-3انواعالگوهای DEA.. 29

2-7الگوریتم خوشهبندی K-means36

فصل سوم: روش تحقیق. 40

3-1 مقدمه. 41

3-2 طرح کلی از مدل. 41

3-3 آماده سازی داده ها. 42

3-3-1 تعیین نسبت های مالی. 42

3-3-2 ساخت مجموعه داده سهام ها. 43

3-3-3 کاهش سطری و ستونی. 43

3-3-4 معیارهای دسته بندی. 44

3-3-5 تکمیل داده های مفقوده. 45

3-4 دسته بندی داده ها. 46

3-4-1 دسته بندی به کمک تکنیکDEA.. 46

3-4-2 دسته بندی بر اساس نظریه مدل قیمت گذاری دارایی سرمایهای (CAPM) 47

3-5خوشه بندی دادهها و مشخص نمودن داده های زائد. 48

3-6حل مدل با استفاده از ماشین بردار پشتیبان. 49

3-6-1ماشین بردار پشتیبان برای رویکرد مبتنی بر DEA.. 49

3-6-2 ماشین بردار پشتیبان مبتنی بر رویکرد CAPM.. 50

3-7 تشکیل پرتفو. 51

3-8 اعتبار سنجی مدل. 51

3-9 جمع بندی. 52

فصل چهارم: پیاده سازی مدل در بورس اوراق بهادار تهران، نتایج و عملکرد. 53

4-1 مقدمه. 54

4-2 داده های مورد استفاده. 54

4-3 آماده سازی داده ها. 55

4-4 دسته بندی داده ها. 56

4-4-1 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. 59

4-5-1 خوشه بندی داده های مبتنی بر رویکرد DEA.. 59

4-5-2 خوشهبندی داده های مبتنی بر رویکرد CAPM.. 61

4-6 دسته بندی به کمک ماشین بردار پشتیبان. 64

4-6-1 دسته بندی مبتنی بر رویکرد DEA.. 64

4-6-2 دستهبندی مبتنی بر رویکرد CAPM.. 71

4-7 رتبه بندی سهام. 74

4-8 تشکیل پرتفو. 75

4-9 اعتبارسنجی مدل. 79

4-10 جمع بندی. 80

فصل پنجم: نتیجه گیری و پیشنهاد برای تحقیقات آتی. 81

5-1مقدمه. 82

5-2 یافته ها و نتایج تحقیق. 83

5-3 دستاوردهای تحقیق. 83

5-4 پیشنهاداتی برای تحقیقات آتی. 84

فهرست مراجع. 86

  فهرست جداول

 جدول 2-1 برخی از مدل های توسعه یافته در حوزه ماشین بردار پشتیبان (به ترتیب سال تحقیق). 21

جدول2‑2 برخی از مطالعات صورت گرفته در حوزه مرتبط با توابع کرنل در ماشین بردار پشتیبان( ترتیب سال تحقیق). 25

جدول3-1 نسبتهای مالی استفاده شده. 44

جدول4- 2 نرخ سود سپرده گذاری یکساله. 58

جدول4- 3 تعداد داده هر دسته در رویکرد DEA. 60

جدول4- 4 تعداد داده خوشه های دسته(1-،1،1-). 60

جدول4- 5 تعداد داده خوشه های دسته(1-،1-،1-). 61

جدول4- 6 تعداد داده های دسته های مبتنی بر رویکردCAPM.. 61

جدول4- 7 تعداد داده های خوشه های دسته(1،1). 62

جدول4- 8 تعداد داده خوشه های دسته(1،1-). 62

جدول4- 9 تعداد داده خوشه های دسته(1،1-). 63

جدول4- 10 تعداد داده های خوشه های دسته (1-،1-). 63

جدول4- 11 نتایج حاصل از اجرای مدل برحسب بازده. 65

جدول4- 12 نتایج حاصل از دسته بندی بر حسب ریسک برای کلاس 1 بازده 66

جدول4- 13 نتایج دسته بندی برحسب ریسک برای کلاس1- بازده. 66

جدول4- 14 نتایج حاصل از دسته بندی بر حسب نقدشوندگی برای دسته(1،1). 67

جدول4- 15نتایج دسته بندی بر حسب نقدشوندگی برای دسته(1،1-). 68

جدول4- 16نتایج دسته بندی برحسب نقدشوندگی برای دسته(1-،1). 69

جدول4- 17نتایج دسته بندی برحسب نقدشوندگی برای دسته(1-،1-). 69

جدول4- 18عملکرد مدل برای هر دسته مبتنی بر رویکرد DEA. 71

جدول4- 19 نتایج دسته بندی برحسب بازده انتظاری. 72

جدول4- 20نتایج دسته بندی برحسب نقدشوندگی برای کلاس 1 بازده انتظاری. 72

جدول4- 21 نتایج دسته بندی بر حسب نقدشوندگی برای کلاس1- بازده انتظاری. 73

جدول4- 22عملکرد مدل در هر دسته در رویکرد CAPM.. 74

جدول4- 23 نتایج پرتفو برترین ها CAPM.. 76

جدول4- 24 نتایج پرتفو حاصل از 25% برتر سهام ها مبتنی بر رویکرد CAPM.. 76

جدول4- 25 نتایج پرتفو حاصل از برترین های مبتنی بر DEA. 77

جدول4- 26 نتایج پرتفو حاصل از 25% برتر مبتنی بر DEA. 77

جدول4- 27 سهام ها حاضر در پرتفو بهینه ارائه شده. 78

جدول4- 28 نتایج حاصل از پرتفوی کل بازار. 79

جدول4- 29 نتایج حاصل از تشکیل پرتفو به روش مارکویتز. 80

  فهرست شکل ها

شکل 2-1 تفکیک داده ها در حالت تفکیک پذیر خطی. 16

شکل 2-2 تفکیک داده ها در حالت تفکیک ناپذیر خطی. 18

شکل 2-3 ماشین بردار پشتیبان غیر خطی. 23

شکل3- 1 طرح کلی مدل. 42

شکل3-2 مدل مفهومی ماشین بردار پشتیبان سلسله مراتبی. 50

جدول4- 1 انواع ورودی و خروجی های استفاده شده در ادبیات موضوع 57

شکل4- 1 مقدار تابع- تکرار دسته بندی برحسب بازده. 65

شکل4- 2 مقدار تابع-تکرار دسته بندی کلاس1 بازده برحسب ریسک. 66

شکل4- 3 مقدارتابع-تکرار برای دسته بندی بر حسب ریسک کلاس1- بازده 67

شکل4- 4 مقدارتابع-تکرار دسته بندی بر حسب نقدشوندگی برای دسته(1،1). 68

شکل4- 5مقدارتابع-تکرار دسته بندی برحسب نقدشوندگی برای دسته(1،1-) 68

شکل4- 6 مقدارتابع-تکرار دسته بندی برحسب نقدشوندگی برای دسته(1-،1). 69

شکل4- 7 مقدار تابع-تکرار دسته بندی بر حسب نقدشوندگی برای دسته(1-،1-). 70

شکل4- 8 مقدارتابع-تکرار دسته بندی بر حسب بازده انتظاری. 72

شکل4- 9مقدار تابع-تکرار برحسب نقدشوندگی برای کلاس 1 بازده انتظاری 73

شکل4- 10 مقدار تابع-تکرار بر حسب نقدشوندگی برای کلاس1- بازده انتظاری. 73

 فصل 1: مقدمه و کلیات تحقیق

 1 -1 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 استفاده از انواع مختلف داده­های ورودی و داده­های 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 استفاده از ماشین بردار پشتیبان[1] و خوشه بندی[2]و تحلیل پوششی داده ها[3] ضمن پیش بینی، سهام­های برتر را در قالب پرتفو انتخاب می­نماید.

 1-2 هدف از پایان نامه

 هدف از این پایان نامه ارائه مدلی جهت تشکیل سبد سرمایه با توجه به تحلیل بنیادی و استفاده از عملکرد مالی آنها است. توضیح بیشتر آنکه با استفاده از نسبت­های بدست آمده از صورت گزارش­های مالی و نیز تکنیک ماشین بردار پشتیبان و خوشه­بندی که در حوزه داده­کاوی قرار می گیرند، ابتدا به آموزش سیستم یادگیری روی آورده شده است و سپس با پیش­بینی سهام­های برتر سبد سرمایه را تشکیل داده شده است. ارائه این مدل کمک شایان توجهی به سرمایه­گذاران در بازار سرمایه می نماید. زیرا آنان همواره به دنبال مدلی هستند که ضمن در نظر گرفتن اهداف و ارجحیت­های آنان به میل ذاتی آنان در جهت اقدام فعال و زودهنگام در مقابل اقدامات منفعلانه پاسخگو باشد.

این جمله که "تاریخ تکرار می­شود." و نیز تکیه بسیاری از تحقیقات در زمینه پیش­بینی بر داده­های تاریخی، گواه این امر است که استفاده از مجموعه داده­های تاریخی امری متداول و ارزشمند برای اقدامات فعالانه است. خصوصا با توجه به اینکه مبنای تحلیل بنیادی بر استفاده از داده­های معنادار صورت­های مالی است.

در مجموع اینکه در این پایان نامه به پاسخگویی در جهت رتبه بندی سهام­های بازار سرمایه و پیش بینی رتبه­ی سهام­های موجود بر اساس روند مالی سال اخیر و نیز سهام­های تازه وارد به بازار سرمایه پرداخته شده است. و در نهایت پرتفوی بهینه از دل این سهام­های منتخب تشکیل شده است.

 1-3 توضیح موضوع تحقیق

 همواره یکی از چالش­های بحث برانگیز سهامداران و سرمایه­گذاران بازار سرمایه کسب حداکثری سود است. از طرفی باتوجه به گستردگی و تنوع و پیچدگی معاملات این خواسته با اهداف دیگری در تعارض است، که گاه موجب می­شود کسب سود بیشتر در تعارض با اهدافی مثل ریسک بیشتر یا نقدشوندگی پایین­تر در حاشیه قرار گیرد. در واقع این جایگاه سرمایه گذار و ارجحیت ذهنی آن است که دست­یابی به سود حداکثری را تعیین می­کند. در جهت رفع نیاز و برآورد کردن خواسته های سرمایه گذاران برخی مستقیما به دنبال تشکیل پرتفوهای چندهدفه برای متنوع سازی و در نظرگیری ترجیحات سرمایه­گذاران برآمده­اند. اما خطی از تحقیقات با نگاه ریزبینانه­تر به انتخاب سهام پرداخته­اند. و توجیه آنها این است که پرتفوی بهینه از سهام­های منتخب برتر تشکیل می­یابد. علاوه بر این مزیت انتخاب سهام در این است که می­توان از سهام­های برتر برای جایگرینی سهام در بازبینی پرتفو[4] استفاده نمود.

در این پایان نامه با در نظرگیری ترجیحات سرمایه گذاران در قالب تکنیک دسته بندی ماشین بردار پشتیبان به پیش­بینی رتبه­ی سهام­های بورس اوراق بهادار تهران پرداخته­ شده است. سپس از میان این سهام­ها پرتفو بهینه تشکیل شده است. علاوه بر این با توجه به اینکه از یکی از تکنیک­های یادگیری ماشین استفاده شده است می­توان به سرمایه گذاران راهکاری در جهت نحوه اقدام در برابر سهام­های تازه راه یافته به بازار داده شود. این پیش بینی بر مبنای تحلیل بنیادی و نسبت­های مالی شرکت­هاست.