وبلاگ

 

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.