نام محقق
عنوان تحقیق
شاخص های مالی مورد استفاده تحقیق
علیرضا مرتضوینیا(۱۳۸۵)
بررسی مقایسه ای بازده سهام عادی در پرتفوهای ایجاد شده
نسبتهایP/E ، PEG، PEKG و PEDKG
قالیباف اصل(۱۳۸۷)
مقایسه بازدهی سهام رشدی با سهام ارزشی در بورس اوراق بهادار تهران
نسبت B/P
مشکی(۱۳۹۰)
کالبد شکافی بازده نقدی و و سرمایهای سهام رشدی و ارزشی در بورس اوراق بهادار تهران
نسبت P/B
بهار سبزواری(۱۳۹۱)
مقایسه بازدهی روشهای مختلف انتخاب سهام ارزشی و رشدی بر اساس مدل شش عاملی هاگن در بورس اوراق بهادار تهران
نسبتهای P/B, P/S, ROE, P/E و نرخ رشد دارایی ها، نرخ رشد ارزش دفتری و نسبت بازده ارزش دفتری
۲-۸-۲- بخش دوم پیشینه و ادبیات تحقیق
۲-۸-۲-۱- پژوهشهای خارجی
آقای بولچ و همکاران(۱۹۹۴)، از فعالیت مشتریان برای بخشبندی مراکز تجاری استفاده کردند و ارزش مراکز تجاری را از دیدگاه هر بخش مقایسه نمودند. آنها فعالیتهایی که افراد در حین حضور در مراکز تجاری انجام می دهند را به ۱۴ فعالیت ذکر کردند. آنها در تحقیقاتشان ۴ بخش از بازدیدکنندگان به نامهای مشتاقان مرکز تجاری، سنتگرایان، چرندگان و کمینه سازها را یافتندکه هر بخش خصوصیات خاص خودش را دارا بود.
بابیک و پلازیبات(۱۹۹۸)، بر مبنای تحلیل چند معیاره اقدام به رتبه بندی شرکتها نمودند، آنها از روش پرومته در رتبه بندی نهایی و از روش AHP در تعیین وزن معیارها استفاده کردند. هدف آنها ارائه روشی بود که هر لحظه بتواند به سوالات مالی یک شرکت پاسخ دهد.
جین، مورتی و فلین(۱۹۹۹)، در اثر تحقیقی خود با عنوان"مروری بر خوشهبندی داده ها"، که در سال ۱۹۹۹ به انجام رسیده، بیان می کنند که خوشهبندی، طبقه بندی غیر نظارتی الگوها، شامل مشاهدات، اقلام دادهای یا بردارهای خصیصهای، به گروه ها یا خوشههای منظم است.
شین و سان(۲۰۰۴)، در پژوهشی با عنوان"بخشبندی مشتریان بازار سهام براساس ارزش بالقوه"، این مشتریان را با بهره گرفتن از سه روش خوشهبندی K-means، نگاشت خود سامان ده(SOM), K-means فازی در سه گروه بخشبندی نمودند. نتایج پژوهش آنها نشان میدهد که روش تحلیل خوشهای K-means فازی تواناترین روش خوشهبندی مشتریان بورس است.
جین و لا(۲۰۰۵)، در مقاله خود با عنوان"خوشهبندی داده ها: معمای غیر قابل حل کاربر"به تحلیل وضعیت خوشه ها در ارتباط با ابزارهای کاوش خودکار در برنامه گروهسازی مجموعه الگوها میپردازند. آنان تشریح می کنند که با وجود آنکه بیش از ۴۰ سال از پژوهشهای مربوط به این حوزه میگذرد، هنوز چالشهای زیادی در فرایند خوشهبندی داده، چه از لحاظ نظری و چه از ابعاد عملی وجود دارد. همچنین آنها تلاش کرده اند تا چند پیشرفت اخیر در ارتباط با فعالیت خوشهبندی داده ها را توضیح داده و ویژگیهای آن را بیان کنند.
سونگ(۲۰۰۵)، نیز در پژوهشی که با عنوان"الگوریتم خوشهبندی اطلاعات بااهمیت” به انجام رسانده است; بر موضوع خوشهبندی اطلاعات بااهمیت بر مبنای بهینهسازی کمینهسازی و بیشینهسازی اطلاعات متقابل، تمرکز داشته است. از مزایای اصلی این روش خوشهبندی آن است که یک روش غیرپارامتری است، و الگوریتم ساده خوشهبندی داده ها را براساس فاصله اقلیدسی مربع خطاها تشکیل میدهد.
همچنین، باسالتو و همکاران(۲۰۰۵)، در پژوهشی با عنوان"خوشهبندی شرکتهای پذیرفته شده در بورس از طریق هماهنگسازی نقشه آشوب” از این روش برای خوشهبندی شرکتهای فهرست شده در شاخص داوجنزDJ)) استفاده کردند.
دوهرتی و همکاران(۲۰۰۵)، نیز در پژوهشی با عنوان"خوشهبندی سلسله مراتبی یادگیرنده در بازار سهام” از الگوریتم خوشهبندی سلسله مراتبی TreeGNG برای بخشبندی بازارهای مالی در بازه زمانی ده ساله استفاده کردند.
در پژوهش انجام یافته توسط برو و رید(۲۰۰۵)، درباره خوشهبندی سلسله مراتبی اطلاعات، مشخص شد که ابزارهای تحلیل و تجسمسازی اطلاعات از منابع ناهمگن متعدد، با تکیه بر بهبود و پیشرفت روشهای آماری بهره گرفته است.
آنتونی و دژاردن(۲۰۰۶)، در مقالهای که درباره مشکلات مطرح در خوشهبندی رابطهای داده ها، ارائه دادهاند بیان می کنند که وظیفه خوشهبندی داده ها، شناسایی الگوها در مجموعه ای از داده هاست. بیشتر الگوریتمها، داده های غیر رابطهای را به عنوان ورودی در نظر گرفته و گاهی نیز قادر به یافتن الگوهای معنیداری نیستند. بسیاری از مجموعه داده ها، میتوانند علاوه بر داشتن نشانه های موضوعی مستقل، شامل اطلاعات رابطهای نیز باشند. آنان همچنین اظهار میدارند: در جایی که الگوریتمهای غیر رابطهای شکست میخورند، خوشهبندی رابطهای داده ها می تواند به یافتن الگوهای معنی-دار کمک کند.
ونگ(۲۰۰۸)، عملکرد مالی خطوط هواپیمایی تایوان را با روش تاپسیس فازی ارزیابی نمود. وی پس از استخراج نسبتهای مالی از صورتهای مالی، آنها را در چندین خوشه با بهره گرفتن از تحلیل روابط خاکستری دستهبندی کرد، سپس از هر خوشه شاخصی را به عنوان معیار تصمیم گیری انتخاب نموده، روش تصمیم گیری چند معیاره فازی را برای ارزیابی عملکرد مالی و رتبه بندی شرکتها به کار گرفت.
ناندا و همکاران(۲۰۱۰)، در پژوهشی با عنوان"خوشهبندی داده های بازار سهام هند جهت مدیریت پرتفوی” همچون شین و سان(۲۰۰۴)، از سه روش خوشهبندی K-means، نگاشت خود سامان ده(SOM) و K-means فازی برای بخشبندی سهام استفاده کردند. نتایج پژوهشهای آنها نشان میدهد که خوشهبندی سهام، باعث کمینهسازی ریسک با ایجاد تنوع در پرتفوی میگردد، لیکن در این پژوهش، روش خوشهبندی K-means نسبت به سایر روشها کاراتر است.
بابیک و پلازیبات(۲۰۱۰)، از روش PROMETHEE در رتبه بندی نهایی شرکتها و از روش AHP در تعیین وزن معیارها (شاخص های کارایی) استفاده کردند.
۲-۸-۲-۲ پژوهشهای داخلی
مهدی دلبری(۱۳۸۰)، در پژوهش خود با عنوان"بررسی معیارهای موثر بر انتخاب سهام در بورس اوراق بهادار تهران براساس مدل فرایند تحلیل سلسله مراتبی” به مطالعه معیارهای موثر بر انتخاب سهام در بورس پرداخته است. معیارهای موثر بکار گرفته شده در این مقاله در دو دسته آورده شده است. دسته اول با عنوان تجزیه و تحلیل اساسی شامل معیارهای: نسبت قیمت به درآمد، درآمد هر سهم، سود تقسیمی هر سهم، نسبت ارزش بازار به ارزش دفتری سهام، نسبت قیمت به فروش، نسبت بدهی به سرمایه، نرخ بازده دارایی ها، نرخ بازده حقوق صاحبان سهام، مقدار سرمایه گذاری بازار و دسته دوم با عنوان تجزیه و تحلیل فنی که شامل معیارهای روند قیمت سهام، روند سود سهام، روند سود تقسیمی، حجم معادلات، جهت کلی بازار، میانگین متحرک میباشد. او در مقاله خود ابتدا معیارهای موثر بر انتخاب سهام را شناسایی نموده و سپس با بهره گرفتن از روش فرایند تحلیل سلسله مراتبی به وزندهی شاخص ها پرداخته است.
فرم در حال بارگذاری ...
