به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

ant colony algorithm

در نشریات گروه مالی
تکرار جستجوی کلیدواژه ant colony algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه ant colony algorithm در مقالات مجلات علمی
  • سینا شیرطوانی، مهدی همایونفر *، کیهان آزادی، امیر دانشور

    مهم ترین هدف هر سرمایه گذار در بازار بورس افزایش بازده و کاهش ریسک سرمایه گذاری است. لذا هدف از اجرای این پژوهش تحلیل کارایی الگوریتم های فراابتکاری در بهینه سازی سبد سهام می باشد. نظر به اینکه در این تحقیق، عملکرد گذشته شرکتهای بورس اوراق بهادار تهران در مطالعات گذشته از سال 1390-1399 مورد بررسی قرار میگیرد، بنابراین پژوهش حاضر از لحاظ طرح تحقیق، پس رویدادی با استفاده از تکنیک های دلفی و فراتحلیل بود.جامعه آماری پژوهش حاضر محققین دانشگاهی در زمینه مالی و فعال در بورس اوراق بهادار تهران بوده و شیوه نمونه گیری در این پژوهش هدفمند با حجم 30 نفر در نظر گرفته شد.ابزار جمع آوری اطلاعات پرسشنامه محقق ساخته بوده است. شیوه گردآوری اطلاعات مصاحبه ساختاریافته از محققین و مرور نتایج حاصل از مطالعات مختلف در زمینه تعیین سبد بهینه سهام در بورس اوراق بهادار تهران بوده است. به منظور تجزیه و تحلیل اطلاعات از نرم افزار Spss نسخه 23 و لیزرل نسخه 5/7 شد. نتایج نشان داد از میان الگوریتم های فراابتکاری الگوریتم ژنتیک، کلونی مورچگان و کلونی زنبور عسل مناسب ترین ابزار با هدف عدم توقف در نقاط بهینه محلی و عدم همگرایی زودرس هستند. در نهایت بعد از ارزیابی الگوریتم های مناسب، مقایسه میانگین ریسک و بازده سبد سهام در الگوریتم های ژنتیک، کلونی مورچگان و کلونی زنبور عسل در واحد مطالعات صورت گرفته، نشان دادند به لحاظ معیار کاهش ریسک الگوریتم های ژنتیک و زنبور عسل و در خصوص افزایش بازده سبد بهینه سهام الگوریتم زنبور عسل کاراتر عمل نموده است.

    کلید واژگان: بهینه سازی، سبد سهام، الگوریتم های فراابتکاری، الگوریتم ژنتیک، الگوریتم کلنی مورچگان
    Sina Shirtavani, Mahdi Homayounfar*, Keyhan Azadi, Amir Daneshvar

    The most important goal of every investor in the stock market is to increase returns and reduce investment risk. Therefore, the purpose of this research is to analyze the effectiveness of meta-heuristic algorithms in stock portfolio optimization. Considering that in this research, the past performance of Tehran Stock Exchange companies is examined in past studies from 1390-1399, therefore, in terms of the research design, this research was post-event using Delphi and meta-analysis techniques. The statistical community of this research Academic researchers in the field of finance and active in the Tehran Stock Exchange, and the sampling method in this research was targeted with a volume of 30 people. The data collection tool was a researcher-made questionnaire. The method of collecting information was structured interview of researchers and review of the results of various studies in the field of determining the optimal stock portfolio in Tehran Stock Exchange. In order to analyze the data, Spss software version 23 and Laserl version 5.7 were used. The results showed that among meta-heuristic algorithms of genetic algorithm, ant colony and bee colony are the most suitable tools with the aim of not stopping at local optimal points and not premature convergence. Finally, after evaluating the appropriate algorithms, a comparison of the average risk and returns of the stock portfolio in genetic algorithms, ant colony and bee colony was done in the study unit, they showed that in terms of the criteria of reducing the risk of genetic and bee algorithms and in terms of increasing the return of the optimal portfolio Stock bee algorithm has worked more efficiently.

    Keywords: Optimization, Stock Portfolio, Meta-heuristic Algorithms, Genetic Algorithm, Ant colony Algorithm
  • وحید یوسفی، حمید رضا کردلوئی*، فائق احمدی، محمد حامد خان محمدی، نادر دشتی
    این تحقیق برآن است که دو الگوریتم کلونی مورچگان و الگوریتم پرواز پرندگان را جهت پیش بینی مدیریت سود بکار گرفته و مشخص نماید که کدام الگوریتم قدرت تبیین بیشتری دارد. برای دستیابی به هدف پژوهش، تعداد 163 شرکت به روش حذف سیستماتیک در بازه زمانی 1398-1392 انتخاب گردیده اند. داده های ترکیبی بوده و سیزده متغیر جهت بررسی الگوها در نظر گرفته شده که نهایتا هشت متغیر موثر شناخته و با استفاده از نرم افزار پایتون آزمون ها انجام شده است. نتایج نشان می دهد که مدیریت سود با دقت بیش از 97 درصد توسط هر دو الگوریتم قابل پیش بینی بوده اما توان پیش بینی مدل پرواز پرندگان در مدیریت سود تعهدی بیشتر بوده و این در صورتی است که الگوریتم کلونی مورچگان توان بیشتری در پیش بینی مدیریت سود واقعی دارد.
    کلید واژگان: مدیریت سود واقعی، مدیریت سود تعهدی، الگوریتم کلونی مورچگان، الگوریتم پرواز پرندگان
    Vahid Yousefi, HAMIDREZA KORDLOUIE *, Faegh Ahmadi, Mohammadhamed Khanmohammadi, Dashti Nader
    This study aims to use two ant colony algorithm and particle swarm algorithm to predict earning management and determine which algorithm has more explanatory power.To achieve the research goal, 163 companies have been selected by systematic elimination method in the period 2013-2019. The data are panel and thirteen variables have been considered to examine the models. Finally, eight variables have been identified as effective and tests have been performed using Python software. The results show that earnings management can be predicted with more than 97% accuracy by both algorithms, but the ability to predict the particle swarm model in accrual earnings management is higher, however ant colony algorithm has more power in predicting real earnings management.
    Keywords: Accrual earnings management, Ant Colony Algorithm, Particle Swarm Algorithm, Real Earnings Management
  • محمود رحمانی، مریم خلیلی عراقی*، هاشم نیکومرام

    تصمیم گیری  در زمینه سرمایه گذاری یکی از مسائل اساسی در مدیریت مالی است . وقتی که سرمایه گذار با گزینه های مختلفی جهت سرمایه گذاری روبرو می گردد بایستی در مورد تعداد دارایی های انتخابی و میزان سرمایه گذاری بر روی هر کدام از آن ها تصمیم گیری نماید. انتخاب ابزار و تکنیک های که بتواند سبدسهام مناسب را تشکیل دهد یکی از اهداف اصلی دنیای سرمایه گذاری است در این مطالعه جهت کمک به تصمیم گیری مطلوب در انتخاب سهام موجود در سبد براساس مدل مارکویتز از الگوریتم کلونی مصنوعی زنبوراستفاده شده است و برای تعیین کارایی این الگوریتم معیار شارپ، معیار ترینر و ریسک نامطلوب آن محاسبه و با سبد تشکیل شده از الگوریتم های ژنتیک و کلونی مورچگان مقایسه گردیده است. نمونه آماری پژوهش شامل شرکت های فعال پذیرفته شده، در بورس اوراق بهادار تهران از سال 1384 تا 1394 است که به روش حذف سیستماتیک انتخاب گردیده اند. نتایج پژوهش نشان می دهد معیار شارپ سبدسهام تشکیل شده از طریق  الگوریتم کلونی مصنوعی زنبور نسبت به الگوریتم های ژنتیک و مورچگان عملکرد بهتری دارد، اما هرچند معیار ترینر و ریسک نامطلوب سبد سهام تشکیل شده از طریق الگوریتم کلونی مصنوعی زنبور عملکرد بهتری داشته، ولی از لحاظ آماری این اختلاف معنادار نبوده است.

    کلید واژگان: سبد سهام، الگوریتم کلونی مصنوعی زنبور، الگوریتم ژنتیک، الگوریتم کلونی مورچگان
    Mahmoud Rahmani, Maryam Khalili Araghi *, Hashem Nikoomaram

    Investment decision making is one of the key issues in financial management. Investor might know about different asset types when facing with various options and the ways in which investors can incorporate them in devising a strategy is significant. Selecting the appropriate tools and techniques that can make optimum portfolio is one of the main objectives of the investment world. In this study it is tried to optimize the decision making in stock selection or optimization of portfolio by means of artificial colony of honeybee algorithm. And to determine the effectiveness of the algorithm, Sharp criteria algorithm, the trainer criteria and its downside risk were calculated and compared with the portfolio made up of genetic and ant colony algorithms .The sample consisted of active firms listed in the Tehran Stock Exchange from 2005 to 2015. The sample was selected by the systematic removal method. The findings show that Sharp criteria algorithm formed by the artificial bee colony algorithm functions better than the genetic and ant colony algorithms in terms of portfolio formation .However, the trainer's criteria and downside risk of the stock portfolio formed through the artificial bee colony algorithm shows the optimum function, this difference is not statistically significant.

    Keywords: Artificial Bee Colony, portfolio optimization, Genetic algorithm, Ant Colony Algorithm
  • Mahmoud Rahmani_Maryam Khalili Eraqi * _Hashem Nikoomaram

    Investment decision making is one of the key issues in financial management. Selecting the appropriate tools and techniques that can make optimal portfolio is one of the main objectives of the investment world. This study tries to optimize the decision making in stock selection or the optimization of the portfolio by means of the artificial colony of honey bee algorithm. To determine the effectiveness of the algorithm, its sharp criteria was calculated and compared with the portfolio made up of genes and ant colony algorithms. The sample consisted of active firms listed on the Tehran Stock Exchange from 2005 to 2015. The sample selected by the systematic removal method. The findings show that artificial bee colony algorithm functions better than the genetic and ant colony algorithms in terms of portfolio formation

    Keywords: Artificial Bee Colony, Portfolio optimization, Genetic Algorithm, Ant Colony Algorithm
  • سعید فلاح پور، اصغر ارم*
    پیش بینی درماندگی مالی شرکت ها یکی از موضوعات مهمی است که به موفقیت و تداوم حیات شرکت ها کمک زیادی می کند. از جمله روش های هوشمندی که اخیرا در حل مسائل پیش بینی و دسته بندی نتایج مطلوبی را به همراه داشته، روش الگوریتم کلونی مورچگان است. پژوهش حاضر به مطالعه پیش بینی درماندگی مالی شرکت ها با استفاده از الگوریتم کلونی مورچگان می پردازد. جامعه آماری شامل شرکت های بورس اوراق بهادار تهران و نمونه استفاده شده شامل 174 شرکت درمانده و سالم بوده است. متغیرهای پیش بین بر اساس نسبت هایی انتخاب شدند که در نتایج تحقیقات قبلی به عنوان متغیرهای اصلی پیش بینی در مدل پیش بینی آنها ارائه شدند. مدل مقایسه ای استفاده شده در این پژوهش، مدل تحلیل ممیز چندگانه است. نتایج به دست آمده از تحقیق بیانگر آن است که روش الگوریتم کلونی مورچگان در پیش بینی درماندگی مالی شرکت ها، به طور معناداری نسبت به روش تحلیل ممیز چندگانه عملکرد بهتری دارد
    کلید واژگان: الگوریتم کلونی مورچگان، پیش بینی درماندگی مالی، تحلیل تمایز چندگانه
    Saeid Fallahpour, Asghar Eram *
    Financial distress prediction of companies is one of the important issues that can contribute to the success and survival of companies; because providing warning and timely signals can make companies aware of financial distress and bankruptcy and, therefore, by a correct management, they can prevent waste of resources and the damage caused by bankruptcy.
    Ant Colony Algorithm (ACA) is an intelligent method that was recently used to solve problems including classifications and predictions which had desired results. This study aims to investigate the financial distress prediction of companies using ant colony algorithm. The statistical population includes companies listed in Tehran Stock Exchange and the sample consists of 174 healthy and distressed companies. Predictor variables were selected from previous studies according to the ratios that were proposed as key variables in prediction model.
    The results of the study indicate that the ACA approach in predicting financial distress of companies had significantly better performance than multiple discriminant analysis (MDA).
    Keywords: Financial Distress Prediction, multiple discriminant analysis, ant colony algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال