فایل ورد کامل انتخاب مجموعه ای از صندوق های سرمایه گذاری مشترک بین المللی با استفاده از برنامه ریزی آرمانی با فاکتور های تعمیم یافته

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل انتخاب مجموعه ای از صندوق های سرمایه گذاری مشترک بین المللی با استفاده از برنامه ریزی آرمانی با فاکتور های تعمیم یافته،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۵ صفحه

این مقاله، یک رویکرد علمی را برای انتخاب پورت فولیو برای متخصصان و دانشگاهیان با استفاده از برنامه ریزی آرمانی می دهد که این روش در دست یابی به مجموعه ای از گزینه های ترجیحی با اهمیت قلمداد شده است. یک سرمایه کذار بالقوه می تواند از نتایج بدست آمده از انتخاب پورت فولیو هایی که فاکتور هایی را برای تعیین اثر عملکرد های سرمایه کذاری تعیین می کنند بهره ببرد.
امید می رود که مسائل بحث شده و برایند آن هاا، ارزش افزوده ای را برای متخصصان به صورت مکمل با تخصص مالی همراه با چارچوب تصمیم گیری علمی صریح در اختیار بگذارد که نقطه شروعی برای تحقیقات در زمینه کاربرد برنامه ریزی آرمانی در انتخاب پورت فولیو و استفاده از فاکتور های توسعه یافته مناسب است. در هر صورت، اهمیت و انعطاف پذیری استفاده از مدل های برنامه ریزی آرمانی برای انتخاب پورت فولیو بالاست. این مقاله نشان داد که مدل های برنامه ریزی آرمانی برای انتخاب پورت فولیو، ساده بوده و رویکردی انعطاف پذیر هستند.

عنوان انگلیسی:On selecting portfolio of international mutual funds using goal programming with extended factors~~en~~

Introduction Mutual funds have become a popular structure for investors seeking exposure to financial markets. Gregoriou (2007) claims there are two reasons why rational investors delegate their wealth management to mutual funds. First, economies of scale which reduces wealth management costs. Second, private investors might expect that professional mutual fund managers have superior management skills, leading to positive risk-adjusted excess returns. Portfolio management is about risk and return. Although good returns are difficult to achieve and good risk-adjusted returns can be difficult to identify. The concept of return requires no explanations other than larger returns are preferred to smaller ones. Risk is more challenging and inherently a probabilistic or statistical concept. There are various, and sometimes conflicting, notions and measures of risk. As a result, it can be difficult to measure the risk of a portfolio and determine how various investments and asset allocations affect that risk (Pearson, 2002; Travers, 2004). The first notable work to consider risk in portfolio optimization was when Markowitz presented the well-known expected valuevariance model for portfolio optimization (Gregory et al., 2011). Markowitz (1952) designed a portfolio model based on only two factors (risk and return) as they are the common ones to all investors (Markowitz, 1995). In practice, analysts use models with ‘common factors’, which affect all assets to a greater or lesser extent, and ‘sector or regional factors’, which affect only some assets within a portfolio. Identification and prediction of truly pervasive factors is an extremely difficult task. Hence, the goal should be focused on permanent and important sources of asset and portfolio risk and return, not the transitory and unimportant phenomena that occur in any given period (Sharpe, 1985). Yu and Lee (2011) suggest that portfolio selection must consist of more criteria than only risk and return in order to provide investors with additional choices. Steuer et al. (2007) focus on investors whose purpose is to build a suitable portfolio taking additional concerns into account. Such investors would have additional stochastic and deterministic objectives that might include liquidity, number of securities in a portfolio, social responsibility, and so forth. They develop a multiple criteria Portfolio Selection formulation (Aouni, 2009, 2010; Zopounidis, 1999 and Aouni et al., 2010). Portfolio Selection problems with risk and return optimization can be viewed as a goal programming with two objectives. However, as more realistic approach to portfolio selection problems in today’s world require a number of additional factors which may include the assets specific factors, macroeconomic factors, regional preferences, etc. The use of one set of factors or another depends on the investor’s attitudes and aspirations. Extra objectives representing other factors can easily be incorporated into the goal programming model. Goal Programming (GP) is a pragmatic tool to analyze portfolio selection problems and reach reasonable solutions in terms of the inclusion of the decision maker’s preferences (Jones and Tamiz, 2010; Azmi and Tamiz, 2010). Charnes et al. (1955) developed goal programming in 1955. The ethos of GP (a multi-objective programming technique) lies in the concept of satisficing of objectives (Tamiz et al., 1998). In fact, the two philosophical concepts that serve to best distinguish Goal Programming from conventional methods of optimization are the incorporation of flexibility in constraint functions and the adherence to the philosophy of Satisficing as oppose to Optimization. Satisficing is an old Scottish word that defines the desire to find a practical and real world solution to a problem, rather than an idealistic or optimal solution to a highly simplified model of that problem. In Goal Programming, the decision maker usually seeks a useful, practical, implementable and attainable solution rather than one satisfying the mathematician’s desire (Ignizio, 1985). Three well-known variants of GP are used in this paper, namely, Weighted, Lexicographic and MinMax GP. A brief description of these variants and their unique approach to tradeoffs between the unwanted deviations in GP is given in the next sections.

$$en!!