خلاصة:
انتخاب سبدسهام یکی از مهمترین حوزه هاي تصمیم گیري سرمایه گذاري محسوب می-
شود؛ سبدي از سهام که قادر باشد همزمان بهترین نرخ بازده و ریسک سرمایه گذاري
را در پی داشته باشد. البته از دید سرمایه گذاران ممکن است عوامل مختلف دیگري بر
تشکیل سبد سهام اثرگذار باشند که باید بکارگرفته شوند. این تعدد عوامل ضرورت
استفاده از ابزارهاي نوینِ تصمیم گیري را نشان می دهد. تحلیل پوششی داده ها یکی
از این ابزارهاست که امروزه با گسترش علم پژوهش عملیاتی داراي رویکردهاي
متنوعی می باشد.
هدف اصلی از پژوهش جاري، مقایسه ي رویکردهاي سنتی تحلیل پوششی داده ها
در انتخاب سبد سهام می باشد که نتایج با یک الگوریتم پیشنهادي مقایسه شده است .
در مدلهاي سنتی به طور متعارف نوع بازده به مقیاس با یک فرض ساده کننده به
صورت ثابت یا متغیر در نظر گرفته می شود. این امر ممکن است نتایج را با خطاه اي
مهمی همراه کند. در الگوریتم پیشنهادي ابتدا نوع رفتار بازده به مقیاس با تحلیل هاي
لازمه تعیین شده و سپس مدل مناسب جهت تشخیص کارایی، مورد استفاده قرار می
گیرد. در این مقاله از داده هاي واقعی متعلق به سازمان بورس اوراق بهادار تهران در
قالب یک مطالعه موردي استفاده شده و نتایج آن تجزیه و تحلیل شده اند
ملخص الجهاز:
"واحدهای کارا روشهای سنتی(مشترک) الگوریتم پیشنهادی پتروشیمی فارابی افست سپنتا خاک چینی بانک تجارت سیمان داراب داروسازی رازک پتروشیمی آبادان صنایع مس ایران روزدارو پتروشیمی شازند فرآورد نسوزایران تراکتورسازی پتروشیمی فارابی فولاد اصفهان بانک تجارت پتروشیمی فناوران کاما حمل و نقل توکا ت.
پی نوشت 1 Portfolio Selection 2 Data Envelopment Analysis (DEA) 3 Decision Maker Units (DMU) مقایسه ی رویکردهای سنتی تحلیل پوششی داده ها و ارائه یک الگوریتم جدید به منظور انتخاب سبد سرمایه گذاری و کاربرد آن برای انتخاب سهام شرکت های فعال پذیرفته شده در سازمان بورس اوراق بهادار تهران چکیده انتخاب سبدسهام یکی از مهمترین حوزههای تصمیمگیری سرمایهگذاری محسوب می-شود؛ سبدی از سهام که قادر باشد همزمان بهترین نرخ بازده و ریسک سرمایهگذاریرا در پی داشته باشد.
جمع آوری دادهها و نتایج محاسباتی دادههای مورد استفاده در این مقاله متعلق به شرکت های پذیرفته شده فعال در سازمان بورس و اوراق بهادار تهران می- باشد که برای انتخاب مجموعه سهامها محدودیت های سه گانهای مد نظر بوده است : الف ) پایان سال مالی آنها ٢٩ اسفند باشد، ب) دردوره مورد بررسی توقف نماد بیش از شش ماه نداشته باشند و ج) اطلاعات و صورتهای مالی آنها کامل و در دسترس باشد.
الگوریتم پیشنهادی همانطور که در شکل نیز مشاهده میشود بر اساس اطلاعات موجود نوع بازده به مقیاس در قالب سه گروه افزایشی ثابت و یا کاهشی طبقه بندی گردیده است ."