دانلود مقاله ISI انگلیسی شماره 15973 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

خوشه‌بندی داده‌های بازار سهام هند برای مدیریت پرتفوی

عنوان انگلیسی
Clustering Indian stock market data for portfolio management
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
15973 2010 6 صفحه PDF 17 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

سفارش تولید محتوا کد تخفیف 10 درصدی: isiArticles
منبع

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

Journal : Expert Systems with Applications, Volume 37, Issue 12, December 2010, Pages 8793–8798

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

2- مرور مقالات

2- 1- مدیریت پرتفوی

2- 2- تکنیک‌های خوشه‌بندی

3- روش‌شناسی

3- 1- مدل مارکوویتز

3- 2- K- میانگین

3- 3- فازی C- میانگین

3- 4- نقشه‌های خود سازمان‌دهی (SOM)

3- 5- اعتبار

شکل 1- ایجاد پرتفوی کارآمد



4- توصیف داده‌ها

5- نتایج تجربی

5- 1- K- میانگین

5- 2- نقشه‌های خود سازماندهی (SOM)

5- 3- فازی C- میانگین

5- 4- ارزیابی عملکرد با استفاده از اینرسی درون رده‌ای

جدول 1- فاکتورهای طبقه‌بندی سهام

جدول 2- شاخص‌های اعتبار خوشه‌بندی K – میانگین

جدول 3- شاخص‌های اعتبار خوشه‌بندی SOM

جدول 4- شاخص‌های اعتبار خوشه‌بندی فازی C- میانگین

شکل 2- اینرسی درون رده‌ای برای سه روش خوشه‌بندی

شکل 3- نمودار مدرج پرتفوی با توجه به Sensex

5- 5- ایجاد پرتفوی کارآمد

جدول 5- وزن سهام انتخاب شده برای پرتفوی

6- نتیجه‌گیری
ترجمه کلمات کلیدی
مدیریت پرتفوی - مدل مارکوویتز - نقشه های خود سازماندهی
کلمات کلیدی انگلیسی
Portfolio management, Markowitz model, Self organizing maps,
ترجمه چکیده
در این مقاله یک روش داده‌کاوی برای طبقه‌بندی سهام به خوشه ارائه شده است. پس از طبقه‌بندی، می‌توان از این گروه‌ها سهام را برای ساخت پرتفوی انتخاب کرد. این روش با تنوع‌سازی پرتفوی، معیار به حداقل رساندن ریسک را تامین می‌کند. روش خوشه‌بندی، سهام را بر اساس معیارهای خاص سرمایه‌گذاری طبقه‌بندی می‌کند. ما از بازده سهام بورس بمبئی برای سال مالی 2008-2007، در زمان‌های مختلف و همچنین نسبت‌های ارزیابی آنها استفاده کرده‌ایم. نتایج و تحلیل ما نشان می‌دهد که خوشه‌بندی K- میانگین، فشرده‌‌ترین خوشه‌ها را در مقایسه با خوشه‌بندی فازی C- میانگین و SOM (نقشه‌های خود سازماندهی ) برای داده‌های طبقه‌بندی سهام ایجاد می‌کند. سپس برای ساخت پرتفوی، سهام را از خوشه‌ها انتخاب می‌کنیم، ریسک پرتفوی را به حداقل می‌رسانیم و بازده‌ها را با شاخص معیار، یعنی Sensex مقایسه می‌کنیم.
ترجمه مقدمه
یکی از مشکلات تصمیم‌گیری در حوزه مالی، مدیریت پرتفوی و انتخاب دارایی است. تحت شرایط اقتصادی بسیار رقابتی، برای مواجهه با رقابت‌های پیچیده بازار، موسسات مالی تمام تلاش خود را می‌کنند تا برای بهینه‌سازی بازده سرمایه‌گذار، سیاست نهایی برای انتخاب پرتفوی ایجاد کنند. یک مدل صوری برای ایجاد پرتفوی کارآمد توسط مارکوویتز (1952) تهیه شد. در مدل او، بازده دارایی میانگین بازده و ریسک انحراف استاندارد بازده دارایی است. ریسک به گونه‌ای تعیین شد که سرمایه‌گذاران بتوانند گزینه‌های ریسک- بازده را تحلیل کنند. به‌علاوه، کمی‌سازی ریسک سرمایه‌گذاران را قادر به اندازه‌گیری کاهش ریسک ناشی از تنوع‌سازی سرمایه‌گذاری می‌کند. بنابراین تنوع سرمایه‌گذاری برای ایجاد پرتفوی کارآمد ضروری است. با خوشه‌بندی داده‌های سهام، می‌توان مشکل انتخاب سهام‌های متنوع را برطرف کرد. خوشه بندی همانطور که توسط میرکین تعریف شده است (1996) "روشی ریاضی است که برای آشکار‌سازی ساختارهای طبقه‌بندی در داده‌های جمع‌آوری شده از پدیده‌های دنیای واقعی، طراحی شده است". روش‌های خوشه‌بندی، مجموعه داده‌ها را به‌گونه‌ای در خوشه‌ها سازماندهی می‌کنند که نقاط داده متعلق به یک خوشه مشابه و نقاط داده متعلق به خوشه‌های مختلف، غیرمشابه هستند. ما در این مقاله با استفاده از تکنیک‌های خوشه‌بندی شناخته‌شده یعنی K- میانگین، نقشه‎های خود سازماندهی (SOM) و فازی C- میانگین، اجرای خوشه‌بندی داده‌های سهام را نشان می‌دهیم. داده‌های بازار سهام توسط هر یک از روش‌های فوق خوشه‌بندی می‌شود. تعداد بهینه خوشه‌ها برای داده‌های بازار سهام با استفاده از هر روش خوشه‌بندی محاسبه می‌شود. داده‌های سهام شامل ویژگی‌هایی مانند یک سری از بازده‌های به‌موقع سهام و همچنین نسبت‌های ارزیابی برای ارائه موقعیت واضح ارزش بازار آنها است. اینها معیارهای سرمایه‌گذاری مستقیم هستند که برای انتخاب سهام در نظر گرفته می‌شوند. بنابراین با در نظر گرفتن تفاوت بین سری‌های بازده و ارزیابی فعلی بازار سهام، خوشه‌های بدست آمده طبقه‌بندی داده‌های سهام با ابعاد بالا به گروه‌های مختلف هستند. پس از خوشه‌بندی، برای ایجاد پرتفوی کارآمد، نمونه‌های سهام از میان این خوشه‌ها انتخاب می‌شوند. این فرآیند برای تکرارهای معین شبیه‌سازی و ریسک میانگین و بازده به‎دست می‌آید. با استفاده از مدل بهینه‌سازی معین که در انتهای مقاله نشان داده شده است، به‌دست آوردن پرتفوی با کمترین ریسک برای سطح معینی بازده، کار آسانی است. برای ایجاد پرتفوی کارآمد با مدل مارکوویتز، از روش خوشه‌بندی برای انتخاب سهام استفاده می‌کنیم، که در مقاله ما انتخاب مبتنی بر خوشه‌بندی نامیده می‌شود. ادامه مقاله به شرح زیر است. در بخش 2 مرور مقالات مرتبط را شرح می‌دهد. بخش 3 روش انتخاب سهام مبتنی بر خوشه‌بندی را ارائه می‌دهد. بخش 4 شرح مسئله است. در بخش 5 نتایج تجربی و در بخش 6 نتیجه‌گیری ارائه شده است.
پیش نمایش مقاله
پیش نمایش مقاله خوشه‌بندی داده‌های بازار سهام هند برای مدیریت پرتفوی

چکیده انگلیسی

In this paper a data mining approach for classification of stocks into clusters is presented. After classification, the stocks could be selected from these groups for building a portfolio. It meets the criterion of minimizing the risk by diversification of a portfolio. The clustering approach categorizes stocks on certain investment criteria. We have used stock returns at different times along with their valuation ratios from the stocks of Bombay Stock Exchange for the fiscal year 2007–2008. Results of our analysis show that K-means cluster analysis builds the most compact clusters as compared to SOM and Fuzzy C-means for stock classification data. We then select stocks from the clusters to build a portfolio, minimizing portfolio risk and compare the returns with that of the benchmark index, i.e. Sensex.

مقدمه انگلیسی

One of the decision problems in the financial domain is portfolio management and asset selection. Under the extremely competitive business environment, in order to face the complex market competitions, financial institutions try their best to make an ultimate policy for portfolio selection to optimize the investor returns. A formal model for creating an efficient portfolio was developed by Markowitz (1952). In his model the return of an asset is its mean return and the risk of an asset is the standard deviation of the asset returns. Risk was quantified such that investors could analyze risk-return choices. Moreover, risk quantification enabled investors to measure risk reduction generated by diversification of investment. So diversification of investment is essential to create an efficient portfolio. The problem of selecting well diversified stocks can be tackled by clustering of stock data. Clustering as defined by Mirkin (1996) is “a mathematical technique designed for revealing classification structures in the data collected in the real world phenomena”. Clustering methods organize a data set into clusters such that data points belonging to one cluster are similar and data points belonging to different clusters are dissimilar. In this paper we demonstrate the implementation of stock data clustering using well known clustering techniques namely K-means, self organizing maps (SOM) and Fuzzy C-means. The stock market data is clustered by each of the above methods. The optimal number of clusters for the stock market data using each clustering technique is carried out. The stock data contains attributes as a series of its timely returns as well as the valuation ratios to present a clear position of their market value. These are the direct investment criteria that are being considered for stock selection. Thus the resulting clusters are a classification of high dimensional stock data into different groups in view of the difference between return series along with current market valuation of stocks. After clustering stock samples are selected from these clusters to create efficient portfolio. The process is simulated for certain iterations and average risk and return is found out. It is easy to get the portfolios with lowest risk for a given level of return, using certain optimization model which is demonstrated at the end of the paper. In order to create efficient portfolios with Markowitz model, we use the clustering method to select stocks in the paper, called clustering-based selection in our paper. The remainder of the paper is organized as follows. The remainder of this paper is organized as follows. Section 2 describes relevant literature review. Section 3 presents the clustering-based stock selection method. Section 4 shows problem description. Section 5 depicts experimental results. In Section 6, the conclusion is presented.

نتیجه گیری انگلیسی

This paper suggests how to integrate clustering techniques like K-means, SOM and Fuzzy C-means into portfolio management and build a hybrid system of getting efficient portfolios. It can reduce a lot of time in selection of stocks as stocks of similar categories can be easily grouped into a cluster and thus best performing stocks from those groups can be selected. Our work can find a lot of applications in software development for areas like asset management, algorithmic trading and Investor’s technical information in financial markets. In our research we chose timely stock returns and valuation ratios, however from investment perspective other dimensions or factors that influence the performance of a stock can also be considered and thus that would help to refine the classification. Cases where certain temporary macroeconomic factors affect market performances for a short period of time could also be considered in our approach. We considered data for the fiscal year 2007 and since, it was the beginning world recession with markets worldwide acting bearish, and most of the stocks considered in the data have negative returns. But from clustering perspective we have compared the portfolio performances with the benchmark index, i.e. BSE Sensex. We summarize relevance of our work as: 1. In this study, various stocks from BSE were analyzed for their timely returns and market valuations. The data collected was actual rather than simulated data and the results can be considered more practical. 2. After analysis of the clustering methods, for our stock data K-means formed well compact clusters as compared to Fuzzy C-means and SOM neural network. 3. A clustering approach to portfolio management and selection of stocks to reach the efficient frontier was demonstrated.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.