دانلود پایان نامه کارشناسی ارشد:انتخاب سبد سرمایه با استفاده از ماشین …

متن کامل پایان نامه مقطع کارشناسی ارشد رشته : صنایع

گرایش :مهندسی مالی

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

دانشگاه صنعتی خواجه نصیر الدین طوسی

دانشگده مهندسی صنایع

پایان نامه برای دریافت مدرک کارشناسی ارشد

رشته مهندسی صنایع گرایش مهندسی مالی

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

 استاد راهنما:

دکتر امیرعباس نجفی

 

شهریور ۹۳

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود
(در فایل دانلودی نام نویسنده موجود است)
تکه هایی از متن پایان نامه به عنوان نمونه :
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
چکیده
 
انتخاب سبد سرمایه و کسب حداکثری بازده با وجود ریسک کم و نقدشوندگی بالا یکی از تصمیمات پیچیده برای سرمایه گذاران است. با توجه به اینکه پرتفو بهینه از میان سهام های برتر منتخب بوجود می­آید،انتخاب سهام و رتبه بندی آنان نگاه ریزبین­تری از تحقیقات را شامل می­شود که هدف آنان معرفی بهترین­ها جهت تشکیل سبد سرمایه می­باشد. مدل تشکیل سبد سرمایه مدرن(مارکویتز) تنها بر اساس معیارهای بازده و ریسک به انتخاب سهام­ها می­پردازد. هرچند در مطالعات بعد سعی در منظور نمودن معیارها و سنجه­های دیگر در مدل مارکویتز جهت بالا بردن عملکرد سبد سرمایه نمودند، ولی توجه کمتری به روند مالی و عملکرد سالانه شرکت­های حاضر در بورس شده است. لذا تشکیل سبد سرمایه بر مبنای تحلیل بنیادی شرکت­ها و عملکرد مالی آنها مبنای برخی از تحقیقات گردیده است.
با توجه به پیشرفت های صورت گرفته در مدل­های یادگیری و تکینک­های داده­کاوی خط وسیعی از تحقیقات بازار سرمایه که مبتنی بر پیش­بینی است به بررسی نحوه استفاده از این مدل­ها می­پردازد. در این پایان نامه با استفاده از ماشین بردار پشتیبان، مدلی را جهت رتبه بندی سهام ها و نیز پیش بینی سهام­های برتر ارائه شده است. در این مدل با استفاده از الگوریتم خوشه بندی K-means داده­های پرت را از مجموعه داده حذف شده و با استفاده از تحلیل پوششی داده­ها شرکت­های کارا و ناکارا مشخص شده است. پس از آموزش ماشین بردار پشتیبان، با پیش بینی رتبه سهام ها در سال پایانی و انتخاب سهام­های برتر پرتفو بهینه برای سال بعد ارائه شده است. در نهایت جهت اعتبار سنجی مدل ارائه شده، آن را با میانگین بازده بازار و پرتفوی بهینه بدست آمده از مدل مارکویتز مقایسه شده است.
کلید واژه: پرتفو، ماشین بردار پشتیبان، خوشه­بندی، تحلیل بنیادی. تحلیل پوششی داده ها
 
فهرست مطالب
فصل ۱: مقدمه و کلیات تحقیق.. ۱
۱ -۱ مقدمه. ۲
۱-۲ هدف از پایان نامه. ۳
۱-۳ توضیح موضوع تحقیق.. ۳
۱-۴ توجیه ، انگیزه و علت انتخاب موضوع. ۴
۱-۵ اهمیت موضوع. ۵
۱-۶ مرور کلی بر ادبیات موضوع. ۶
۱-۷ جنبه های نوآوری موضوع. ۷
۱-۸ پرسشها و سوالات اصلی تحقیق.. ۸
۱-۹ روش و متدولوژی تحقیق.. ۸
۱-۱۰ نتایج مورد انتظار ۹
۱-۱۱ کاربرد های تحقیق.. ۹
۱-۱۲ چارچوب پایان نامه. ۱۰
۱-۱۳ جمع بندی.. ۱۱
فصل دوم: مروری بر تحقیقات پیشین.. ۱۲
۲-۱ مقدمه. ۱۳
۲-۲مروری بر مفاهیم پایه ماشین بردار پشتیبان. ۱۴
۲-۲-۱ابرصفحه ونیم فضا ۱۴
۲-۲-۲نرم بردار     ۱۴
۲-۲-۳فاصله نقطه از ابرصفحه. ۱۴
۲-۲-۴ابرصفحه متعارفی.. ۱۵
۲-۳انواع ماشین بردار پشتیبان. ۱۵
۲-۳-۱مدل داده های تفکیک پذیر خطی.. ۱۵
۲-۳-۲مدل داده های تفکیک ناپذیر خطی.. ۱۸
۲-۴توابع کرنل. ۲۳
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 استفاده 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
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 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[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

 
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.
[۱] Support vector machine(SVM)
[2] Clustering
[3] Data Envelopment Analysis(DEA)
تعداد صفحه : ۱۰۸
قیمت : ۱۴۷۰۰ تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***