دانش رسان |
مرکز علم و دانش کشور مقاله ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک دارای ۴۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک :
تعداد صفحات :۴۵
یکی از پرکاربردترین سنجه‌های ریسک، ارزش در معرض خطر(var) می‌باشد که کاربرد آن به شدت از دهه ۱۹۹۰ به بعد افزایش یافته است. به موازات افزایش کاربرد ارزش در معرض خطر در حوزه مدیریت ریسک، اعتبارسنجی تخمین زننده‌های var نیز از اهمیت بسزایی برخوردار شده اند. در اکثر روش‌های رایج پیش آزمایی، بازده نهایی حاصله از کاربرد تخمین زننده در تخمین var در نظر گرفته نمی‌شود، که این مطلب برای سرمایه گذاران با درجه ریسک پذیری بالا نمی‌تواند مطلوب باشد. آنچه که این تحقیق را از سایر تحقیقات انجام پذیرفته در زمینه پیش آزمایی مدل‌های تخمین var، متمایز می‌سازد، در نظر گرفتن همزمان بازده واقعی حاصله از کاربرد تخمین زننده و زیان ایجاد شده به عنوان معیاری از دو شاخص ریسک و بازده می‌باشد که مبنای اصلی در حوزه مطالعات مالی می‌باشند. از طرفی به دلیل نسبی بودن ریسک و بازده از نظر سرمایه گذاران وزن این دو شاخص را فازی در نظر گرفتیم. در این تحقیق به منظور بهینه سازی پرتفوی، از معیار نخست- ایمنی استفاده کرده ایم. به منظور بهینه سازی تابع هدف در این معیار نیازمندیم که کوانتایل بازده پرتفوی ریسکی را تخمین بزنیم که بدین منظور از تخمین زننده‌های رایج var به منظور ارزیابی آنها، بهره بردیم. از طرفی با توجه به غیر محدب بودن تابع var و دلایل دیگر، به منظور بهینه سازی از یکی از معروف ترین الگوریتم‌های فرا ابتکاری یعنی الگوریتم ژنتیک استفاده شده است. یافته‌های تحقیق نشان دهنده محافظه کار بودن روش‌های GEV و HS نسبت به روش‌های پارامتریک می‌باشد. از طرفی روش شبیه سازی تاریخی علی رغم سادگی محاسباتی، بهترین عملکرد را از خود نشان داده است.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
