ترجمه فارسی عنوان مقاله

رویکرد بهینه ‌سازی سبد سهام گروهی مبتنی بر سری با استفاده از الگوریتم ژنتیک گروه‌بندی با تقریبهای جمع آوری نمادین

عنوان انگلیسی

A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate Approximations

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
111171	2017	18 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Knowledge-Based Systems, Volume 125, 1 June 2017, Pages 146-163

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

شکل 1. سریهای قیمت سهام گروهها در GSP براساس رویکرد قبلی.

شکل 2. نتیجه گروه بندی مناسب.

2. کارهای مربوطه

2.1. رویکردهای مربوطه برای بهینه سازی سبد

2.2. دانش پیش زمینه

2.2.1. تعریف مشکل گروه بندی

شکل 3. نمودار SAX

2.2.2. تقریب جمع آوری نمادین

2.2.3. تقریب جمع آوری نمادین توسعه یافته

شکل 4. نمودار ESAX

3. عناصر رویکرد پیشنهادی

3.1. نمایش کروموزوم

شکل 5. نمایش کروموزوم.

شکل 6. نمونه ای از نمایش کروموزوم.

3.2. جمعیت اولیه

جدول 1. بازده سودسهام نقدی دو شرکت.

جدول 2. بازده سودسهام نقدی (yi) از هر سهم.

جدول 3. سهم میانگین سودسهام نقدی هر گروه در تمام گروهها.

3.3. تناسب و انتخاب

3.3.1. رضایت سبد

3.3.2. ضریب پایداری

3.3.3. تعادل گروه

3.3.4. تعادل واحد

3.3.5. تعادل قیمت

3.3.6. ضریب فاصله

3.4. عملیاتهای ژنتیک

4. الگوریتم پیشنهادی

4.1. قانون ساختگی رویکرد پیشنهادی

4.2. نمونه

شکل 7. قانون ساختگی رویکرد پیشنهادی.

جدول 5. سری قیمت سهام 12 بازار.

جدول 6. سودسهام نقدی 12 بازار از سال 2011 تا 2013.

جدول 7. سریهای عادی تمام سهام.

جدول 8. 12 سری نمادین سهام.

جدول 9. رضایت سبد تمام کروموزومها.

جدول 10. تعادل گروه تمام کروموزومها.

جدول 11. فاصله سری تمام کروموزومها

جدول 12. ارزشهای تناسب تمام کروموزومها.

جدول 4. سهام استفاده شده در این نمونه.

جدول 13. تنظیمات پارامتر.

5. نتایج تجربی

5.1. مجموعه داده تجربی

5.2. تحلیل سبد سهام گروه استخراجی

شکل 8. سری قیمت سهام مجموعه داده.

جدول 14. مقایسه GSPs براساس رویکرد پیشنهادی (f1) با SAX

جدول 15. مقایسه GSPs براساس رویکرد پیشنهادی (f1) با ESAX

5.3. مقایسه رویکردهای پیشنهادی و قبلی ازنظر ROI

شکل 9. سری قیمت سهام گروهها با رویکرد قبلی.

جدول 18. فاصله SAX و ESAX از GSPs استخراج شده از رویکردهای قبلی و پیشنهادی.

جدول 19. میانگین بازده رویکردهای پیشنهادی و قبلی در مجموعه داده یک ساله آموزشی و آزمایشی.

جدول 20. میانگین بازده رویکردهای پیشنهادی و قبلی در مجموعه داده دو ساله آموزشی و آزمایشی.

شکل 10. سری قیمت سهام گروهها با رویکرد پیشنهادی (f1).

شکل 11. سری قیمت سهام گروهها با رویکرد پیشنهادی (f2).

5.4. بحث

6. نتیجه گیری و کارهای آینده

ترجمه کلمات کلیدی

تقریبی مجموع نمادین گسترش یافته، الگوریتم ژنتیک گروهی، مجموعه سهام گروه، تقریبی مجموع نمادین، سری قیمت سهام،

کلمات کلیدی انگلیسی

Extended symbolic aggregate approximation; Grouping genetic algorithm; Group stock portfolio; Symbolic aggregate approximation; Stock price series;

ترجمه چکیده

بهینه ‌سازی سبد سهام به موجب تغییر سریع اقتصاد یک موضوع تحقیقاتی جذاب و نوعی مشکل پیچیده است. براساس تکنیکهای بهینه ‌سازی، بسیاری از الگوریتمها برای استخراج سبدهای مختلف مطرح شده اند. در رویکرد قبلی، سبد سهام گروهی (GSP) براساس درخواستهای عینی و ذهنی سرمایه گذاران با الگوریتم ژنتیک گروه ‌بندی بدست آمد. سهام به دو گروه تقسیم می شود که در یک گروه مشابه هستند. مزیت استفاده از GSP اینست که سرمایه گذاران می ‌توانند هر سهامی را که دوست ندارند با سهام جایگزین در گروه مشابهی جایگزین کنند. به منظور افزایش تشابه سهام در گروه‌ها، سری قیمت سهام در نظر گرفته می ‌شود و رویکرد بهبود یافته ای نیز برای استخراج GSP مبتنی بر سری پیشنهاد می شود که می تواند برای فراهم کردن سبد سهام قابل اجرا در تصمیمات سرمایه گذار استفاده شود. در نمایش کروموزوم، از گروه بندی، بخشهای سبد سهام و سهام برای نشان دادن GSP استفاده می شود همانطور که رویکرد قبلی انجام داده است. برای افزایش بازده و تشابه GSP، ضریب پایداری براساس سودسهام نقدی مطرح می شود و تعادل قیمت و واحد نیز بخوبی استفاده می شود. بدلیل اینکه ابعاد سری قیمت سهام بالاست، تقریب جمع آوری نمادین (SAX) و تقریب جمع آوری نمادین تعمیم یافته (ESAX) برای تبدیل نقاط داده در نمادها انتخاب می شوند. سپس، ضریب فاصله سری برای ارزیابی تشابه سری قیمت سهام در گروههای از GSP ارائه می شود. با استفاده از ضرایب جدید و ضرایب فعلی در رویکرد قبلی، دو تابع تناسب جدید برای ارزیابی کفیت کروموزوم توسعه می یابد. آزمایشاتی بر روی مجموعه داده واقعی انجام شده تا معیارهای رویکرد پیشنهادی را با استفاده از دو تابع تناسب با SAX و ESAX نشان دهند. نتایج نشان داده که بازده سرمایه (ROI) رویکرد پیشنهادی با استفاده از توابع تناسب با SAX تقریبا 16% تا 18 و بهتر از ROI بدست آمده با ESAX می باشد. با اینحال، رویکرد پیشنهادی با ESAX به تشابه گروهی بهتری از آنچیزی که SAX انجام می دهد دست می یابد.

ترجمه مقدمه

سرمایه گذاری یک موضوع جذاب است زیرا عوامل زیادی بر بازارهای مالی تاثیر می گذارند، در نتیجه انحرافات زیادی نیز می توانند انتخاب شوند. به عبارت دیگر، سرمایه گذاران در زمان ایجاد یک سبد دارای انتخابهای زیادی هستند. بطور کلی، دو هدف ازجمله ارزش ریسک (VaR) و بازده سرمایه گذاری (ROI) برای ارزیابی کیفیت سبد استفاده می شوند. بدلیل اینکه عوامل زیادی تحت تاثیر بازده سبد مشخصی قرار می گیرند، به رویکرد پیشرفته¬ی استخراج سبد که عوامل مختلف را درنظر می گیرد نیاز است. با استفاده از مدل واریانس میانگین (M-V)، بسیاری از الگوریتمهای بهینه سازی برای استخراج سبد مطرح شده اند. اگرچه بسیاری از رویکردهای بهینه سازی سبد سهام پیشنهاد شده اند، اما اینها فقط برای استخراج سبد سهام طراحی شده اند. با اینحال، استخراج سبد سهام کافی نیست زیرا کاربران ممکن است سهام پیشنهادی را به دلایل مختلف خریداری نکنند. برای مثال، قیمت سهام موجودی پیشنهادی ممکن است بسیار بالا باشد. زمانی که این شرایط روی می دهد، سهام جایگزین باید مطرح شود. از اینرو، در رویکرد قبلی، یک الگوریتم برای استخراج سبد سهام گروهی (GSP) با استفاده از الگوریتم ژنتیک گروه بندی (GGA) پیشنهاد می شود. از یک نمونه برای بیان GSP استفاده می شود، که انگیزه این کار را نشان می دهد. فرض می شود که 12 سهام به 4 گروه تقسیم شده و سه گروه خریداری خواهند شد، سری قیمت سهام ممکن این 3 گروه خریداری شده در GSP در شکل 1 نشان داده می شود. با توجه به شکل 1، سریهای قیمت سهام در گروه G4 یکسان هستند. با اینحال، برخی از سریهای قیمت سهام در G1 و G2 متفاوت می باشند. با درنظر گرفتن G1 بعنوان یک نمونه، می توان مشاهده کرد که نماد سهام 2317 از سایر سهام ها فرق دارد. از اینرو، انگیزه این مقاله، بهبود شباهت سریهای قیمت سهام در گروهها می باشد. نتیجه گروه بندی مناسب در شکل 2 ارائه شده است. شکل 2 سریهای قیمت سهام موجودی در گروهها را نشان می دهد که مشابه هستند. از اینرو، هدف این مقاله استخراج GSP است که نه تنها دارای سریهای قیمت سهام مشابه در گروهها بوده بلکه بازده بالایی نیز دارد. به منظور رسیدن به این هدف، سریهای قیمت سهام که نوعی از سری زمانی است، در این مطالعه درنظر گرفته می شود. بدلیل اینکه تعداد نقاط داده سری زمانی بزرگ است استخراج داده از آن ممکن است زمان بر باشد، در اینصورت تکنیکهای کاهش ابعادی برای تسریع فرایند کاوش نیاز می باشد. دو تکنیک کاهش ابعاد برای سری زمانی، یعنی تقریب جمع آوری نمادین (SAX) و تقریب جمع آوری نمادین توسعه یافته (ESAX)، در رویکرد پیشنهادی استفاده می شوند. ابتدا آنها سری زمانی مشخصی را تدوین می نند. سپس، با استفاده از تقریب جمع آوری قطعه ای (PAA)، سری زمانی عادی به نقاط k کاهش می یابد. در نهایت، نقاط k به نمادهای k و 3k به ترتیب برای SAX و ESAX با توجه به اندازه الفبایی مشخص تغییر می کنند. رویکردهای زیادی برای کاربردهای مختلف مانند طبقه بندی و داده مالی ارائه شده اند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Stock portfolio optimization is both an attractive research topic and a complex problem due to the rapidly changing economy. Based on optimization techniques, many algorithms have been proposed to mine different portfolios. In the previous approach, a group stock portfolio (GSP) was derived based on the investors' objective and subjective requests by the grouping genetic algorithm. Stocks were divided into groups, with those in the same group being similar. The benefit of using a GSP is that investors can replace any stock that they do not like with substitute stocks in the same group. To increase the similarity of stocks in groups, stock price series are taken into consideration, and an enhanced approach is proposed to derive a series-based GSP that can be used to provide more actionable stock portfolios to investors making decisions. In chromosome representation, grouping, stock and stock portfolio parts are used to represent a GSP as did the previous approach. To increase the return and similarity of a GSP, the stability factor is designed based on cash dividends, and the unit and price balances are utilized as well. Because the dimension of stock price series is high, the symbolic aggregate approximation (SAX) and extended symbolic aggregate approximation (ESAX) are selected to transform data points into symbols. Then, the series distance factor is presented to evaluate the similarity of stock price series in groups of a GSP. By using the new factors and the existing factors in the previous approach, two new fitness functions are developed to evaluate the quality of chromosomes. Experiments on a real-world dataset were conducted to show the merits of the proposed approach using the two fitness functions with SAX and ESAX. The results show that the return on investment (ROI) of the proposed approach using the fitness functions with SAX is approximately 16% to 18% and better than the ROI obtained with ESAX. However, the proposed approach with ESAX achieves better group similarity than does SAX.