این مطالعه معیارهای خاص و فرآیند شبکه تحلیلی فازی (FANP) را برای ارزیابی و انتخاب پرتفوی در بورس اوراق بهادار تهران (TSE) ایجاد کرد. اگرچه مشکل انتخاب پورتفولیو به طور گسترده مورد بررسی قرار گرفته است، اکثر مطالعات بر درآمد و ریسک به عنوان معیارهای اصلی تصمیم گیری متمرکز شده اند. با این حال، معیارهای مهم دیگری نیز وجود دارد که مورد غفلت قرار گرفته است. برای پر کردن این شکاف، ابتدا مرور ادبیات برای تعیین معیارهای اصلی انتخاب پورتفولیو انجام شد و سپس از پرسشنامه نوع لیکرت برای نهایی کردن فهرستی از معیارها استفاده شد. دوم، معیارهای نهایی شده در یک FANP برای رتبه بندی 10 پورتفولیوی مختلف TSE اعمال شد. نتایج نشان داد که سودآوری، رشد، بازار و ریسک مهمترین معیارهای انتخاب پرتفوی هستند. علاوه بر این، نمونه کارها 6، 7، 2، 4، 8، 1، 5، 3، 9 و 10 (A6، A7، A2، A4، A8، A1، A5، A3، A9، و A10) به عنوانبهترین انتخاب هامفاهیم و جهت گیری برای تحقیقات آینده مورد بحث قرار می گیرد.
معرفی
بازارهای مالی به طور فزاینده ای پیچیده می شوند. بنابراین سرمایه گذاران برای افزایش سود خود باید بسیاری از عوامل و جنبه های مختلف بازار را در نظر بگیرند. با پیشرفت در مهندسی مالی، روشهای بسیاری برای بررسی رفتار بازارهای مالی توسعه یافته است (چائو و همکاران 2019؛ کو و همکاران 2019a). بیشتر سرمایه گذاران ثروت خود را به بازارهای بورس اوراق بهادار می بندند و بیشتر آنها ترکیبی از سهام مختلف را ترجیح می دهند زیرا سهام منفرد دارای ریسک های ذاتی است. بنابراین انتخاب پورتفولیو موضوع مهمی برای بررسی است (لی و همکاران 2017؛ وو و همکاران 2019).
مشکل انتخاب پورتفولیو به طور گسترده در چندین زمینه مورد بررسی قرار گرفته است، از مالی سنتی و کمی گرفته تا یادگیری ماشینی و هوش مصنوعی (لی و هوی 2014). به طور کلی، انتخاب پورتفولیو با هدف دستیابی به اهداف بلندمدت خاصی از طریق تخصیص ثروت به مجموعه ای از دارایی ها انجام می شود (Li et al. 2015a, b). در حالی که مطالعات قبلی به طور گسترده انتخاب پرتفوی را بر اساس ملاحظات مالی مورد بررسی قرار دادهاند، بررسی مسائل غیرمالی نیز ارزشمند است. مانند هر مشکل تصمیم گیری، بسیاری از عوامل به طور مستقیم و غیرمستقیم در انتخاب پورتفولیو دخیل هستند. در این راستا، بررسی، شناخت، رتبهبندی و بکارگیری معیارها برای ارزیابی و انتخاب پرتفولیوها چالشی را برای محققان، مدیران، سرمایهگذاران و دست اندرکاران ایجاد کرده است. بنابراین مطالعه حاضر با هدف توسعه یک فرآیند شبکه تحلیلی فازی (FANP) برای رتبهبندی پرتفوی در بورس اوراق بهادار تهران (TSE) انجام شد. سوالات تحقیق به شرح زیر است:
معیارهای اصلی برای ارزیابی و انتخاب پورتفولیو چیست؟
عوامل تعیین کننده انتخاب سهام برای یک پرتفوی در TSE چیست؟
چگونه می توان از FANP برای بهبود انتخاب سهام در پرتفوی TSE استفاده کرد؟
هنگامی که یک تصمیم گیرنده باید معیارهای مختلفی را برای انتخاب از بین گزینه های مختلف در نظر بگیرد، مشکل به یکی از تصمیم گیری های چند معیاره (MCDM) تبدیل می شود که باید توسط ابزارهای مرتبط حل شود (کو و همکاران 2012؛ کو و همکاران 2016). در این راستا FANP را می توان ابزاری مناسب در نظر گرفت
می تواند معیارهای متعددی را برای ارزیابی پورتفولیوها در نظر بگیرد.
روابط داخلی بین معیارهای تصمیم گیری را می توان در نظر گرفت. و
می تواند قضاوت تصمیم گیرندگان را با استفاده از بیان زبانی بیان کند. علاوه بر این، مطالعات قبلی اغلب ابزارهای MCDM را با منطق فازی ترکیب کردهاند.
این مطالعه بر TSE ، که در سال 1967 تأسیس شد و بزرگترین بورس اوراق بهادار ایران است ، متمرکز شده است. از سال 2012 ، 339 شرکت در TSE با سرمایه کل بازار 104. 21 میلیارد دلار وجود داشت. با استفاده از TSE ، این تحقیق روشی را برای استفاده از معیارهای مناسب برای ارزیابی و انتخاب اوراق بهادار ایجاد کرد. به طور خاص ، از رویکرد FANP برای رتبه بندی اوراق بهادار با توجه به محیط های نامشخص و احکام تصمیم گیرندگان استفاده شد. رویکرد این مطالعه جدید است به این دلیل که معیارهای مهم مالی و غیر مالی را با استفاده از FANP برای ارزیابی و انتخاب اوراق بهادار ادغام می کند. به بهترین دانش نویسندگان ، این مطالعه اولین کسی است که چنین رویکردی را اتخاذ کرده است.
بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 در مورد ادبیات مرتبط بحث می کند و شکاف های موجود در تحقیقات موجود را مشخص می کند. در مرحله بعد ، بخش 3 روش تحقیق توسعه یافته را تشریح می کند. پس از آن ، بخش 4 نتایج را ارائه و بحث می کند. سرانجام ، بخش 5 نتیجه گیری ، پیامدها و دستورالعمل های تحقیقات آینده را ارائه می دهد.
بررسی ادبیات
در این بخش به بررسی تحقیقات قبلی در مورد انتخاب نمونه کارها می پردازیم. به خاطر سازمان ، این بخش به چهار زیر بخش تقسیم می شود: انتخاب نمونه کارها ، معیارهای انتخاب نمونه کارها ، کار مرتبط و شناسایی شکاف تحقیق.
انتخاب نمونه کارها
انتخاب نمونه کارها با هدف ارزیابی ترکیبی از اوراق بهادار از مقدار زیادی از گزینه های موجود. این هدف برای به حداکثر رساندن بازده سرمایه گذاری سرمایه گذاران است. به گفته مارکوویتز (1952) ، سرمایه گذاران باید بین حداکثر رساندن بازده و به حداقل رساندن ریسک ، تجارت کنند. سرمایه گذاران می توانند بازده را برای یک سطح ریسک در نظر گرفته شده به حداکثر برسانند ، یا می توانند برای یک سطح از پیش تعیین شده بازده بر به حداقل رساندن ریسک متمرکز شوند. ماركوویتز همچنین بازده سرمایه گذاری را به عنوان ارزش مورد انتظار درآمد اوراق بهادار محاسبه كرد. به گفته مارکوویتز ، ریسک به عنوان واریانس از مقدار مورد انتظار تعریف می شود (هوانگ 2006).
مدل میانگین واریانس مارکوویتز (MV) واریانس در بازده مورد انتظار و درآمد تخمین زده شده از اوراق بهادار را به عنوان ورودی های اصلی آن گرفت. از آن زمان ، بسیاری از محققان تلاش کرده اند داده های ورودی را در مشکل انتخاب نمونه کارها ساده کنند. در حالی که برخی از رویکردها ، مانند مدل های شاخص ، با موفقیت استفاده شده اند ، اما هنوز هم محدودیت هایی دارند. مدل Markowitz بسیار اساسی در نظر گرفته می شود زیرا از موضوعات دنیای واقعی مربوط به سرمایه گذاران ، محدودیت های معاملات ، اندازه نمونه کارها و غیره غفلت می کند. علاوه بر این ، با توجه به همه این محدودیت ها در فرمولاسیون ریاضی ، مدل های مخلوط غیرخطی را تولید می کند که در مقایسه با مدل های اساسی بسیار پیچیده است. اگرچه محققان سعی کرده اند از طریق رویکردهای مختلفی مانند برش هواپیماهای برش ، مدل های نقطه داخلی و تجزیه ، این مسئله را برطرف کنند ، اما هنوز جایی برای بهبود وجود دارد (Crama and Schyns 2003). مطالعات متعددی روی مدل های MV با ملاحظات خطر و بازگشت متمرکز شده است. علاوه بر این ، مدل های MV برای رفع مشکلات دنیای واقعی بهبود یافته اند. با این حال ، بیشتر مطالعات از موضوعات مهم دیگر در انتخاب نمونه کارها غفلت کرده اند. به عنوان مثال ، بحث و جدال در مورد کفایت صرفاً در نظر گرفتن ریسک و بازگشت در انتخاب نمونه کارها وجود دارد ، و مطالعات جدیدتر نشان داده است که معیارهای اضافی را با توجه به معیارهای اضافی نشان می دهد (استوئر و همکاران 2008). بنابراین ، مطالعه حاضر ، انتخاب نمونه کارها را به عنوان یک مشکل MCDM در نظر گرفته است.
معیارهای انتخاب نمونه کارها
در انتخاب نمونه کارها معیارهای بی شماری وجود دارد. این معیارها با توجه به نگرانی های مختلف مدیران ، پزشکان ، محققان و سرمایه گذاران متفاوت است. اگرچه معیارهای انتخاب نمونه کارها بر تصمیمات نهایی سرمایه گذاران تأثیر می گذارد ، اما آنها در ادبیات نادیده گرفته می شوند. این امر عمدتاً به این دلیل است که تنوع و همپوشانی احتمالی معیارها ، تمایز تفاوت بین آنها را دشوار می کند.
مقدار مورد انتظار (EV) معمولاً در انتخاب نمونه کارها اعمال می شود. به طور خاص ، از روشهای توبین (1958) ، مارکوویتز (1952) و شارپ (1963) استفاده می شود. با این حال ، انتقادات زیادی در مورد این رویکردها وجود دارد. طبق گفته فلدشتاین (1969) و هاکانسون (1972) ، EV تنها در صورت استفاده از ابزار مورد انتظار تصمیم گیرنده قابل استفاده است ، عملکرد ابزار درجه دوم است ، یا احتمال توزیع بازده طبیعی است (مک نامارا 1998). در عین حال ، اوگریکزاک (2000) یک مدل MCDM را با توجه به ریسک ایجاد کرد. Hurson و Ricci-Xella (2002) بازده ، ریسک مشترک و خطر باقیمانده برای انتخاب نمونه کارها را اعمال کردند. معیارهای متناقض مانند نقدینگی ، ریسک و نرخ بازده اغلب به طور همزمان در انتخاب نمونه کارها در نظر گرفته می شود. عبدالعزیز و همکاران.(2007) ، به عنوان مثال ، یک مدل برنامه نویسی تصادفی چند منظوره را با توابع هدف متضاد برای انتخاب نمونه کارها تهیه کرد.
Ballestero و همکاران پس از فیلتر کردن اوراق بهادار ناکارآمد با استفاده از داده های تاریخی.(2007) یک جدول تصمیم گیری برای در نظر گرفتن چندین سناریو و انتخاب اوراق بهادار ارائه داد. Xidonas و همکاران.(2009) یک چارچوب MCDM را برای انتخاب اوراق بهادار سهام مشترک در حالی که لیو و همکاران پیشنهاد کردند ، پیشنهاد کرد.(2012) با استفاده از هزینه معاملات ، بازده ، کمبود و خطر ، مناسب بودن رویکردهای MCDM را نشان داد. در همین حال ، Mihail و همکاران.(2013) معیارهای بالقوه و معیارهای فرعی را برای انتخاب برنامه های مالی تهیه کرد.
جدول 1 معیارهای انتخاب نمونه کارها را خلاصه می کند ، نشان می دهد منابع نمونه و کاربرد تجزیه و تحلیل عاملی و تجزیه و تحلیل مؤلفه اصلی (PCA) در توسعه معیارها. جدول نشان می دهد که در حالی که بیشتر مطالعات معیارهای انتخاب نمونه کارها را بر اساس بررسی ادبیات تهیه کرده اند ، تعداد معدودی از PCA یا تجزیه و تحلیل عاملی برای تهیه معیارها استفاده کرده اند.
کار مرتبط
در چند دهه گذشته ، مطالعات مربوط به انتخاب نمونه کارها مدلهای ریاضی پیچیده ای را برای در نظر گرفتن عوامل اضافی در دنیای واقعی ایجاد کرده است. Chunhachinda و همکاران.(1997) دریافت که بازده 14 بازار سهام عمده به طور معمول توزیع نشده است. آنها پیشنهاد کردند که برای بهبود تصمیم گیری بهینه باید در تصمیمات سرمایه گذاران ادغام شود. بعداً ، تاناکا و همکاران.(2000) دو نوع مدل انتخاب نمونه کارها را با توجه به احتمال و توزیع فازی پیشنهاد کرد و یک مثال عددی را برای نشان دادن مدل به کار برد. اینوگوچی و رامک (2000) ، در عین حال ، کاربرد رویکردهای فازی را برای انتخاب بهینه نمونه کارها نشان دادند.
مشابه رویکردهای فازی ، الگوریتم های متهوریستی برای انتخاب نمونه کارها اعمال شده است. شیا و همکاران.(2000) یک الگوریتم ژنتیکی (GA) برای انتخاب نمونه کارها ایجاد کرد و آن را با یک مثال عددی نشان داد ، و خروجی ها را با مدل Markowitz مقایسه کرد. در عین حال ، با توجه به نرخ بهره تصادفی ، ضرایب نوسانات و نرخ قدردانی برای تهیه یک مدل انتخاب نمونه کارها ، بر MV و انتخاب نمونه کارها در زمان مداوم متمرکز شده است. به طور مشابه ، Crama و Schyns (2003) آنیلینگ شبیه سازی شده (SA) را برای یک مشکل انتخاب نمونه کارها به کار بردند.
بیشتر مطالعات بیش از یک هدف در انتخاب نمونه کارها را در نظر گرفته اند. به عنوان مثال ، هوانگ (2006) یک مدل انتخاب نمونه کارها را برای حداکثر بازده سرمایه گذاران و احتمال دستیابی به سطح بازده مشخص ایجاد کرد. عبدالعزیز و همکاران.(2007) ، در همین حال ، یک مدل انتخابی مجموعه ای از مجموعه های تعیین کننده چند منظوره را برای بازار سهام تونس تهیه کرد. مدلهای ریاضی با سایر تکنیک ها مانند منطق فازی ادغام شده اند. کارلسون و همکاران.(2007) ، به عنوان مثال ، یک رویکرد برنامه نویسی مخلوط فازی را برای انتخاب اوراق بهادار تحقیق و توسعه پیشنهاد داد. لی و همکاران.(2010) ، در همین حال ، یک مفهوم چابکی برای متغیرهای فازی در انتخاب نمونه کارها ایجاد کرد. تکنیک های MCDM نیز در تحقیقات اخیر انتخاب نمونه کارها مورد بررسی قرار گرفته است. به عنوان مثال ، Jeng and Huang (2015) ، یک رویکرد سیستماتیک MCDM و آزمایشگاه تصمیم گیری کاربردی و آزمایشگاه (DEMATEL) ، فرآیند شبکه تحلیلی (ANP) و روش Delphi اصلاح شده (MDM) را به انتخاب نمونه کارها تهیه کرد. با استفاده از معیارهای اضافی ، Mehlawat (2016) ریسک ، ثروت ، نقدینگی ، تعداد دارایی و هزینه معاملات را برای ارزیابی نمونه کارها اعمال کرد. در همین حال ، طبق گفته هوانگ و دی (2016) ، انتخاب نمونه کارها نامشخص می تواند در حضور ریسک پس زمینه ، دارایی های پیش زمینه و بازده امنیتی بر اساس ارزیابی متخصص و نه داده های تاریخی انجام شود. Mashayekhi و Omrani (2016) یک مدل ریاضی چند منظوره را تهیه کردند که مدل MV MARKOWITZ را با توجه به ریسک ، کارآیی و بازده ادغام می کند. اخیراً ، Nystrup و همکاران.(2018) پیش بینی چند مرحله ای را برای میانگین و کواریانس بازده مالی از یک مدل انتخاب نمونه کارها متغیر زمان ایجاد کرد.
اگرچه برخی از مطالعات FANP را مورد بررسی قرار داده اند (Hemmati و همکاران 2018) ، اما به طور کلی در انتخاب نمونه کارها نامشخص است. Mohanty و همکاران.(2005) از FANP برای انتخاب پروژه های تحقیق و توسعه استفاده کرد و از منطق فازی برای پرداختن به مبهم ترجیحات استفاده کرد. به طور خلاصه ، در حالی که مشکلات اقتصادی و مالی در دنیای واقعی با استفاده از ابزارهای MCDM به طور گسترده مورد بررسی قرار گرفته است (Kou et al. 2014 ؛ Zhang et al. 2019) ، بسیاری از رویکردهای دیگر برای پیش بینی رفتار سهام سهام وجود دارد (ژونگ و انک 2019 ؛Nayak and Misra 2018 ؛ Kaucic et al. 2019). جدول 2 خلاصه ای از تحقیقات قبلی در مورد انتخاب نمونه کارها را نشان می دهد.
شکاف در تحقیق
همانطور که در جداول 1 و 2 نشان داده شده است ، معیارهای بی شماری برای ارزیابی و انتخاب اوراق بهادار وجود دارد. در حالی که بیشتر مطالعات بر معیارهای مالی متمرکز شده اند ، باید معیارهای مهم دیگری نیز در نظر گرفته شود. مدیران ، تصمیم گیرندگان و سرمایه گذاران در ارزیابی نمونه کارها با عوامل مختلفی روبرو هستند. با توجه به مفهوم اندازه گیری عملکرد ، استفاده از معیارهای کمتر اما کارآمدتر به شدت ترجیح داده می شود. در این راستا ، معیارهای انتخاب نمونه کارها باید به طور خاص برای استفاده توسط سرمایه گذاران قابل استفاده باشد. بنابراین ، برای پرداختن به اولین شکاف در تحقیقات قبلی ، این مطالعه با هدف تدوین و اولویت بندی معیارهای خاص برای انتخاب نمونه کارها انجام شد. طبق نظریه تصمیم گیری ، هیچ تصمیم یک معیار در مشکلات دنیای واقعی وجود ندارد. بنابراین ، بیشتر مشکلات MCDM در نظر گرفته می شوند که معیارهای مختلف باید همزمان در نظر گرفته شود. با این حال ، رویکردهای MCDM موجود محدودیت هایی دارند. اول ، برخی از رویکردها (به عنوان مثال ، فرآیند سلسله مراتب تحلیلی (AHP)) روابط داخلی بین معیارها را در نظر نمی گیرند. اینها با رویکردهای دیگر مانند فرآیند شبکه تحلیلی (ANP) مورد توجه قرار می گیرد. علاوه بر این ، بیشتر تصمیم گیرندگان ترجیح می دهند در محیط های فازی مقایسه/قضاوت کنند. بنابراین ، رویکردهای MCDM باید با منطق فازی ادغام شوند. برای پر کردن این شکاف در ادبیات ، مطالعه حاضر معیارهای خاصی را برای انتخاب نمونه کارها توسط کسانی که در تصمیم گیری مهم مالی شرکت می کنند ، تهیه کرد. علاوه بر این ، FANP بیشتر برای رفع نگرانی های عدم اطمینان در تصمیم گیرندگان مالی اعمال شد. به بهترین دانش نویسندگان ، هیچ مطالعه قبلی از FANP برای انتخاب نمونه کارها به این روش استفاده نکرده است.
روش
شکل 1 مراحل مورد نیاز برای دستیابی به اهداف این مطالعه را نشان می دهد. شکل نشان می دهد که این تحقیق شامل سه مرحله اصلی است: تعیین معیارهای انتخاب نمونه کارها ، اولویت بندی معیارها و انتخاب نمونه کارها با استفاده از FANP. به همین ترتیب ، این کار برای محققان و سرمایه گذاران علاقه مند به مشکل انتخاب نمونه کارها پیامدهایی دارد.
مرحله اول: معیارهای اصلی انتخاب نمونه کارها را تهیه کنید
همانطور که قبلاً مورد بحث قرار گرفت ، عوامل بیشماری باید در انتخاب نمونه کارها در نظر گرفته شود. به این ترتیب ، کلمات کلیدی مختلف (به عنوان مثال ، معیارهای انتخاب نمونه کارها ، اقدامات انتخاب نمونه کارها ، معیارهای انتخاب نمونه کارها ، عوامل مؤثر در انتخاب نمونه کارها ، معیارهای ارزیابی نمونه کارها) برای ارتقاء کیفیت یافته ها استفاده شده است. این کلمات کلیدی در سایت هایی مانند Springer ، Science Direct ، Emerald Insight ، IEEE ، Inderscience و Taylor & Francis جستجو شدند. به این ترتیب ، بیشتر معیارهای انتخاب نمونه کارها در این مرحله مورد بررسی و مورد بحث قرار گرفتند (جدول 1 خروجی را نشان می دهد).
مرحله دوم: معیارهای انتخاب نمونه کارها را در اولویت قرار دهید
همانطور که قبلاً تعیین شد ، لازم است مهمترین معیارها هنگام ارزیابی اوراق بهادار اعمال شود. علاوه بر این ، برخی اقدامات وجود دارد که عملکردهای مشابهی دارند. در نتیجه ، استفاده از معیارهای اضافی ، کیفیت نتایج را کاهش می دهد. بنابراین ، مرحله دوم شامل شناسایی مهمترین معیارها برای انتخاب نمونه کارها بود. برای این منظور ، پرسشنامه ای از جمله معیارهای اصلی انتخاب نمونه کارها (همانطور که در جدول 1 نشان داده شده است) برای متخصصان طراحی و توزیع شد. این پرسشنامه شامل 23 سؤال در مورد معیارهای انتخاب نمونه کارها نماینده بود. یک آزمایش آزمایشی برای تأیید سوالات و بررسی اشتباهات انجام شد. پرسشنامه بر این اساس تأیید شد.
مرحله سوم: انتخاب نمونه کارها با FANP
بسیاری از تکنیک های MCDM برای رتبه بندی گزینه های دیگر وجود دارد (لی و همکاران 2016 ؛ کو و همکاران 2019b) ، و همه آنها مزایا و مضرات مختلفی دارند. بنابراین لازم است که با در نظر گرفتن ویژگی های خاص مسئله ، یک رویکرد کارآمد استفاده کنیم. این مطالعه با هدف رتبه بندی اوراق بهادار مختلف در TSE ، و عوامل مختلفی برای سرمایه گذاران در هنگام انتخاب اوراق بهادار وجود دارد. بنابراین ، این عوامل به عنوان معیارهای تصمیم گیری مورد استفاده قرار گرفت. علاوه بر این ، از آنجا که اوراق بهادار مختلفی برای انتخاب تصمیم گیرندگان وجود دارد ، این گزینه ها باید در سطح سوم سلسله مراتب تصمیم گیری در نظر گرفته شوند. اگرچه بسیاری از مطالعات از AHP استفاده کرده اند ، اما برخی از عوامل مهم در تصمیم گیری را در نظر نمی گیرد. اول ، AHP وقتی رابطه داخلی بین معیارها وجود داشته باشد ، یک رویکرد مناسب نیست. بنابراین ، مطالعات قبلی پیشنهاد شده است که استفاده از ANP را انجام دهد. دوم ، ANP نمی تواند ابهامات و عدم قطعیت های موجود در محیط های تصمیم گیری را منعکس کند. علاوه بر این ، تصمیم گیرندگان اغلب ترجیح می دهند قضاوت های خود را با استفاده از بیان زبانی برای رفع مشکلات دنیای واقعی بیان کنند. در این راستا ، مطالعات قبلی حاکی از ادغام منطق فازی با تکنیک های MCDM است. بنابراین ، FANP یک رویکرد مناسب است زیرا روابط داخلی بین معیارهای تصمیم گیری را در نظر می گیرد و به تصمیم گیرندگان اجازه می دهد تا با استفاده از بیان زبانی ، قضاوت های خود را بیان کنند. به طور کلی ، مزیت MCDM این است که سرمایه گذار (ها) می توانند وزنهای زیادی را به خطرات و بازده ها اختصاص دهند و وزن های کوچک را برای سایر معیارها در نظر بگیرند. علاوه بر این ، FANP می تواند توسط هر دو تصمیم گیرندگان مجرد و چندگانه اعمال شود. به طور خلاصه ، FANP می تواند به طور انعطاف پذیر وزن بیشتری را به خطرات و بازده ها اختصاص دهد و می تواند توسط یک ، دو یا چند تصمیم گیرنده اعمال شود.
در مقایسه با سایر تکنیک های MCDM ، ANP روابط داخلی بین معیارها را در نظر می گیرد ، که در فرایند تصمیم گیری بسیار مهم است. مشابه AHP ، اهمیت نسبی یک معیار یا جایگزین معین بر اساس مقیاس نسبت نمایش داده می شود. برای ساده سازی ، رویکرد Saaty و Takizawa (1986) به جای سوپر ماتریس اصلی Saaty اعمال شد. همانطور که گفته شد ، مزیت ANP این است که روابط صریح را در محاسبه در نظر می گیرد. بنابراین ، دقت نتایج انتخاب نمونه کارها افزایش می یابد. با این حال ، مدل های کلاسیک AHP و ANP نمی توانند تفکر انسان را منعکس کنند زیرا تصمیم گیرندگان ترجیح می دهند قضاوت های خود را با استفاده از بیان زبانی بیان کنند. بنابراین ، برای پرداختن به ابهامات انسان و بیان زبانی آنها ، منطق فازی با تکنیک های کلاسیک MCDM ادغام شده است. علاوه بر این ، در بیشتر مطالعات تصمیم گیری ، افراد زیادی درگیر هستند که این مسئله را به یکی از تصمیم گیری های گروهی تبدیل می کند. بنابراین ، میانگین هندسی برای اجماع متخصص اعمال می شود. با این حال ، رویکرد FANP می تواند برای هر دو مشکل تصمیم گیری یک و گروهی اعمال شود. به همین ترتیب ، روش این مطالعه می تواند توسط سرمایه گذاران منفرد یا چندگانه استفاده شود. در زیر معادلات مرتبط اعمال شده در FANP (چانگ 1996):