پژوهش های مدیریت در ایران

چکیده وجود روش‌های مناسب پیش‌بینی روندهای آینده بازار سرمایه منجر به تصمیم‌گیری‌های بهتری از جانب فعالان این بازارها خواهد شد. اغلب به دلیل ماهیت غیر‌ خطی و آشوب‌گونه بازارهای مالی مدل‌های کلاسیک پیش‌بینی عملکرد مطلوبی نداشته و اطلاعات موجود در داده‌ها با گذشت زمان به‌سرعت از بین رفته و در این صورت استفاده از آن‌ها در بلند‌مدت مفید نخواهد بود ]1، ص 64[. هدف این مقاله به کار بردن الگوریتم بهینه‌سازی کلونی مورچگان برای پیش‌بینی شاخص کل بورس اوراق بهادار تهران است. برای به کاربردن الگوریتم نخست با به‌کارگیری آزمون بزرگ‌ترین نمای لیاپانوف ماهیت آشوبی داده‌های شاخص کل بورس مورد بررسی قرارگرفت، سپس با به‌کارگیری الگوریتم بهینه‌سازی کلونی مورچگان نقاط جاذب تحلیل و‌ در‌نهایت با استخراج دنباله‌های اعداد منتهی به نقاط جاذب پیش‌بینی انجام شد. در پایان مقایسه نتایج پیش‌بینی با استفاده از آماره‌های سنجش خطا تأیید کرد که الگوریتم مبنی بر بهینه‌سازی کلونی مورچگان داده‌ها را به‌خوبی و با کمترین خطا نسبت به مدل‌های گارچ تخمین می‌زند ، البته نتایج بررسی با استفاده از آماره دایبولد ماریانو برابری نتایج پیش‌بینی را رد نکرد. الگوریتم ارائه شده این مقاله با تفکیک دنباله‌های جاذب روشی ساختارمند برای پیش‌بینی سیستم ‌های آشوبی ارائه می‌دهد، بنابراین انتظار می‌رود که در بلند‌مدت و در پیش‌بینی‌های با نوسان‌های زیاد نتایج قابل قبولی ارائه دهد.    

چکیده مدل های کلاسیک قیمت گذاری دارایی ها توزیع اطلاعات را متقارن فرض کرده و بده -بستان یکسانی را برای سرمایه گذاران در نظر می گیرند. در شرایط عدم تقارن اطلاعاتی و برخورداری برخی معامله گران از اطلاعات خصوصی، سرمایه گذاران با ریسک اطلاعات روبرو خواهند بود؛ این ریسک عباتست از ریسک معامله با معامله گران مطلع. ایزلی و همکاران وی (2002) احتمال معامله مبتنی بر اطلاعات خصوصی را به عنوان شاخص ریسک اطلاعات معرفی کرده و مدل ریزساختاری را بدین منظور توسعه داده اند. این مقاله قیمت گذاری ریسک اطلاعات را در بورس اوراق بهادار تهران مطالعه کرده و رابطه بین اندازه شرکت و احتمال معامله مبتنی بر اطلاعات خصوصی را بررسی می کند. نتایج این تحقیق نشان می دهد که احتمال معامله مبتنی بر اطلاعات خصوصی (شاخص ریسک اطلاعات) قادر به توضیح بازده سهام می باشد. ده درصد افزایش در احتمال معامله مبتنی بر اطلاعات خصوصی 8/2 درصد افزایش در بازده را به همراه خواهد داشت. همچنین ارتباط منفی و معنی داری بین اندازه شرکت و احتمال معامله مبتنی بر اطلاعات خصوصی وجود دارد.

چکیده بهینه‏سازی سبد سهام با رویکرد «میانگین- نیم‏ واریانس» و با استفاده از روش «جستجوی هارمونی» رضا راعی1، شاپور محمدی2، هدایت علی بیکی3 1- دانشیار گروه مدیریت دانشکده مدیریت، دانشگاه تهران، تهران، ایران 2- استادیار گروه مدیریت دانشکده مدیریت، دانشگاه تهران، تهران، ایران 3- دانشجوی کارشناسی ارشد گروه مدیریت دانشکده مدیریت، دانشگاه تهران، تهران، ایران دریافت: 8/9/89 پذیرش: 18/12/89 چکیده برای رسم مرز کارا و تشکیل پرتفوی بهینه معمولاً واریانس به عنوان عامل خطرپذیری عمومی در نظر گرفته می‏شود. اما از آن جا که نیم‏واریانس تخمین بهتری از خطرپذیری واقعی پرتفوی ارائه می‏دهد، در این تحقیق نیم‏واریانس به عنوان عامل اصلی خطرپذیری در نظر گرفته می‏شود. مسأله بهینه‏سازی پورتفوی ترکیبی از مسأله برنامه‏ریزی عدد صحیح و برنامه‏ریزی درجه 2 است که برای حل این گونه مسائل الگوریتم‏های مشخص و کارایی وجود ندارد. هدف این تحقیق حل مسأله بهینه‏سازی‏ مقید پرتفوی سهام با استفاده از الگوریتم جستجوی هارمونی (HS) است. این الگوریتم با الهام از فرایند بهبود و تکامل هارمونی به وسیله مجموعه نوازندگان موسیقی جهت حل مسائل بهینه‎سازی به وجود آمده است. به منظور حل مسأله بهینه‏سازی‏ پرتفوی سهام با استفاده از اطلاعات قیمت 20 سهم پذیرفته شده در بورس اوراق بهادار تهران از مهر 1385 تا اسفند 1387، مرز کارای سرمایه‏گذاری برای دو الگو با عامل خطرپذیری واریانس و نیم‏واریانس رسم می‏گردد. نتایج این تحقیق نشان می‏دهد که روش جستجوی هارمونی در بهینه‏سازی مقید پرتفوی سهام، موفق عمل می‏کند و در یافتن جواب های بهینه در تمامی سطوح خطرپذیری و بازده از دقت قابل قبولی برخوردار است.

چکیده -