طراحی یک مدل هوشمند جهت تعیین سیگنال های معاملات سهام با رویکرد داده کاوی
الموضوعات :پانته آ ملکی مقدم 1 , اکبر عالم تبریز 2 , اسماعیل نجفی 3
1 - گروه مهندسی صنایع، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه شهید بهشتی، تهران، ایران
3 - گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ، تهران، ایران
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.
[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.
