طراحی یک مدل هوشمند جهت تعیین سیگنال های معاملات سهام با رویکرد داده کاوی

الموضوعات :

پانته آ ملکی مقدم ¹ (واحد تهران مرکز، دانشگاه آزاد اسلامی، گروه مهندسی صنایع، تهران، ایران)
اکبر عالم تبریز ² (استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه شهید بهشتی، تهران، ایران)
اسماعیل نجفی ³ (استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران)

تاريخ الإرسال : 24 الأربعاء , جمادى الأولى, 1440 تاريخ التأكيد : 08 الإثنين , صفر, 1441 تاريخ الإصدار : 10 الأربعاء , ذو القعدة, 1441

الکلمات المفتاحية: cluster analysis, financial prediction, stock market analysis, data mining, k-means algorithm,

ملخص المقالة :

یکی از مهمترین مسائل در بازارهای مالی مدرن یافتن راههای کارآمد برای تلخیص و تجسم کردن اطلاعات بازار بورس می‌باشد. با حجم انبوه از داده‌هایی که در بازار بورس تهران در هر لحظه ایجاد می‌گردد برای بررسی روابط میان داده‌ها و دست یافتن به اطلاعات نهفته آنها که تاثیر قابل ملاحظه‌ای در تصمیمات سرمایه-گذاران دارد به مدل‌هایی دست یافتیم. با استفاده از کلان داده‌های ارزشمند تولید شده توسط بازار سهام با استفاده از روش خوشه بندی افرازی و به کمک الگوریتم k-means به تعیین نقاط سیگنال معاملات سهام ‌پرداخته شده است. در این پژوهش از داده های صنایع خودرو و فرآورده های نفتی طی سال 1387 تا 1396 که با کمک بیست شاخص تکنیکی مدل سازی انجام پذیرفت. نتایج این پژوهش نشان داد که مدل مورد استفاده در شناسایی و پیش بینی سیگنال‌های فروش صادره در نقاط حداکثری دارای عملکرد قابل توجهی بوده و با دقت قابل قبولی قابل پیش بینی می‌باشند. در واقع این سیگنالها دارای خطای کمتری بوده و بهتر پیش‌بینی گردیده است.

المصادر:

[1] Timmermann, A., & Granger, C. W. (2004). Efficient market hypothesis and forecasting. International Journal of forecasting, 20(1), 15-27.

 

[2] Fama, E. (1991). Efficient capital markets. Journal of Finance, XLVI, 1575–1617.

 

[3] Skabar, A., & Cloete, I. (2002). Neural networks, financial trading and the efficient markets hypothesis. Australian Computer Science Communications, 24(1), 241-249.

 

[4] Enke, D., & Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29, 927–940.

 

[5] Kamber, J. H. A. M. (2006). Data Mining Concepts and Techniques.

[6] K. Davis, D. Patterson, Ethics of Big Data: Balancing Risk and Innovation, O’Reilly Media, 2012.

 

[7] Kumar, M., & Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.

 

[8] Hsu, C. M. (2011). A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming. Expert Systems with Applications, 38(11), 14026-14036.

 

[9] Vrahatis, M. N., Boutsinas, B., Alevizos, P., & Pavlides, G. (2002). The new k-windows algorithm for improving the k-means clustering algorithm. Journal of Complexity, 18(1), 375–391.

 

[10] Allen, F., Karjalainen, R., (1999), using genetic algorithms to find technical trading rules, Journal of Financial Economics, 51, 245-271.

 

[11] Kuo, R. J., Chen, C. H., & Hwang, Y. C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy sets and systems, 118(1), 21-4

 

[12] Kuo, R. J., Liao, J. L., & Tu, C. (2005). Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce. Decision Support Systems, 40(2), 355–374.

 

[13] Padmanabhan, B., & Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33, 309–321.

 

[14] S.R. Nanda, B. Mahanty, M.K. Tiwari.(2010).Clustering Indian stock market data for portfolio management.Expert Systems with Applications ,37 ,8793–8798.

 

[15] Haugen, R. (1997). Modern investment theory. Upper Saddle River, NJ: Prentice-Hall.

 

[16] Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-705.