در این مقاله به بهینه سازی سبد سهام شرکت های فعال پذیرفته شده در اوراق بهادار بورس تهران بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز (MVOF) پرداخته شده است. برای این امر 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1390 تا 1399 انتخاب و بر اساس داده های ورودی به فیلتر کردن شرکت ها پرداخته شد. از این رو یک روش ترکیبی متشکل از روش بهینه سازی قواعد معاملاتی مبتنی بر تحلیل تکنیکال (6 اندیکاتور RSI، ROC، SMA، EMA، WMA و MACD) و ماشین یادگیری جمعی دو سطحی (SVM، RF، BN، MLP و KNN) جهت آموزش داده ها و ارائه سیگنال خرید پرداخته شد. لذا 85 شرکت جهت بهینه سازی سبد سهام انتخاب شدند. برای آموزش داده های از 85 شرکت فیلتر شده توسط روش ترکیبی استفاده و تعداد طبقات مختلف با 50 یادگیرنده استفاده شده است. نتایج نشان میدهد استفاده از مدل OF نسبت به مدل MVF بالاترین بازده سبد سهام را در طی سال های 1395 تا 1399 دارد. در حالی که مدل MVF پایین ترین میزان ریسک سرمایه گذاری را به خود اختصاص داده است. در نتیجه با ترکیب مدل های فوق، مشاهده شده بازده سبد سهام در این روش بسیار بالاتر از روش های دیگر است. در حالی که ریسک سرمایه گذاری ان کمتر بوده است. لذا در صورت استفاده از مدل MVOF بازدهی سبد سهام افزایش و ریسک سرمایه گذاری در آن کاهش می یابد. پرونده مقاله

زمینه و هدف: سیاه خروس قفقازی با نام علمی Tetraomlokosiewiczi، یکی از نادرترین پرنده های جهان می باشد که در کشورمان ایران، فقط در جنگل‎های ارسباران مشاهده می شود. سیاه خروس قفقازی پرنده ای است که در فهرست قرمز IUCN (اتحادیه بین المللی حفاظت از طبیعت) قرار گرفته است، به این معنی که در خطر انقراض می‎باشد. لذا اهمیت شناخت و حفاظت از زیست‎گاه این گونه نادر به روشنی آشکار می گردد. مواد و روش ها: طی این تحقیق ضمن معرفی این پرنده، با استفاده از مطالعات و مشاهدات میدانی ده ساله کارشناسان حفاظت از محیط زیست، اقدام به تهیه نقشه مدل زیستگاه این پرنده با استفاده از سیستم اطلاعات جغرافیایی (GIS) شد. به این ترتیب که از میان نقاطی که سیاه خروس قفقازی طی چندین سال و در فصول مختلف در آنها دیده شده و با GPS ثبت شده بودند، نقاطی به طور تصادفی انتخاب شد و سپس با روی هم گذاری آن ها با لایه های ارتفاع از سطح دریا، درصد شیب، جهت جغرافیایی، تراکم پوشش جنگلی، نوع گونه‎های گیاهی و اقلیم منطقه مورد مطالعه، مدل زیستگاه سیاه خروس قفقازی تهیه شد. یافته ها: برای آزمون مدل زیستگاه ساخته شده نیز، همه نقاط مشاهده شده این پرنده در مشاهدات میدانی با مدل حاصل روی هم‎گذاری شد که نتایج حاکی از آن است که مدل زیستگاه ساخته شده از صحت و دقت بالایی برخوردار است. نتایج نشان داد که سیاه خروس قفقازی در جنگل‎های ارسباران درمناطقی زیست می کنند که جنگل انبوه و نیمه انبوه با ارتفاع 2100 تا 2400 متر از سطح دریا، شیب بیش از 30 درصد، جهت شیب شمالی و اقلیم مرطوب و نیمه مرطوب مدیترانه‎ای است که جامعه‎های گیاهی بلوط، ممرز، هفت کول، قره قات و نسترن غالب می باشد. بحث و نتیجه گیری: زیستگاه‎ها به عنوان یکی از مهم ترین عوامل حضور و بقای گونه‎ها در هر محیطی به شمار می‎روند. شناخت دقیق نیاز هرگونه در ارتباط با گونه مورد نظر می تواند درانتخاب زیستگاه های مناسب برای رها سازی گونه ها موثر باشد. قابلیت‎های سامانه‎های جغرافیایی (GIS) دراین زمینه بسیار موثر است، چرا که با استفاده از قابلیت‎های مختلف این سامانه‎ها در تجزیه و تحلیل و نتیجه گیری، می توان حجم وسیعی از اطلاعات را بررسی کرده و مدل سازی زیستگاه ها را انجام نمود. پرونده مقاله

در این مقاله با استفاده از رویکرد زمان سنجی بازار وروش‌های یادگیری جمعی همگن و غیر همگن به ارائه سیگنال خرید، نگهداری و فروش و پیش‌بینی بازار بر اساس ویژگی‌های بنیادی ویژگی‌های فنی و سری زمانی بازدهی هر شرکت در 100 روز منتهی به روز جاری پرداخته شده است. بر این اساس ، 208 شرکت که به عنوان شرکت‌های فعال بین سال‌های 1390 تا 1399 بودند، انتخاب شدند. برای آموزش داده‌ها توسط ماشین یادگیری جمعی دوسطحی (HHEL) و پیش‌بینی روند بازار بر اساس استراتژی زمان سنجی بازار ، از داده‌های 5 سال 1390 تا 1394 استفاده و برای تست داده‌ها به منزله بهینه‌سازی سبد سهام بر اساس بیشینه سازی بازده سبد سهام و کمینه سازی ریسک سبد سهام سرمایه‌گذاری، از الگوریتم‌های MOPSO و NSGA II استفاده و با سبد سرمایه گذاری بدست آمده با استراتژی خرید و نگهداری مقایسه شده است. نتایج نشان داد الگوریتم MOPSO بالاترین بازده سبد سهام را با 96.437 % در مقابل الگوریتم NSGA II با بازدهی 91.157 % و روش سرمایه‌گذاری یکسان با بازدهی 13.058 % بدست آورده است. همچنین ریسک سبد سرمایه‌گذاری در الگوریتم NSGA II بسیار پایین تر از ریسک سبد سرمایه‌گذاری در الگوریتم MOPSO به ترتیب با 0.792% و 1.367% بوده است. پرونده مقاله