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.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

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.