تدوین استراتژی معاملاتی بر اساس خوشه بندی داده های قیمت با الگوریتم ماشین لرنینگ DBSCAN و یافتن داده های نویز
محورهای موضوعی : مهندسی مالینسترن شریفی راد 1 , محمدرضا رستمی 2 *
1 - دانشجوی کارشناسی ارشد، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران
2 - دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران
کلید واژه: استراتژی معاملاتی, ماشین لرنینگ, خوشه بندی, داده های پرت,
چکیده مقاله :
در این پژوهش، یک استراتژی معاملاتی مبتنی بر خوشه‌بندی داده‌های قیمتی با استفاده از الگوریتم ماشین لرنینگ DBSCAN ارائه و عملکرد آن در بازار بورس تهران ارزیابی شده است. برای این منظور، داده‌های تاریخی نمادهای معاملاتی در بازار بورس مورد بررسی قرار گرفت و ویژگی‌های کلیدی از داده‌های قیمت و حجم استخراج شده است. عملکرد این استراتژی با استفاده از شاخص بازدهی استراتژی ها مقایسه شد و نتایج آن با یک روش آماری کلاسیک (بر اساس توزیع نرمال و تحلیل انحراف معیار) و استراتژی سنتی خرید و نگه‌داری مقایسه گردید.
نتایج نشان داد که استراتژی مبتنی بر DBSCAN، با توانایی شناسایی خوشه‌های پیچیده و داده‌های پرت، عملکرد بهتری نسبت به روش آماری داشته و بازدهی بیشتری ارائه کرده است. همچنین، این استراتژی در مقایسه با استراتژی خرید و نگه‌داری نه تنها بازدهی بالاتری داشت، بلکه توانست ریسک معاملاتی را در بازارهای رنج و نزولی کاهش دهد. یافته‌های این تحقیق نشان می‌دهد که استفاده از الگوریتم‌های پیشرفته خوشه‌بندی می‌تواند ابزار موثری برای تحلیل بازارهای مالی و تصمیم‌گیری معاملاتی در بازار بورس تهران فراهم کند.
In this study, a trading strategy based on clustering price data using the DBSCAN machine learning algorithm is proposed and its performance is evaluated in the Tehran Stock Exchange. For this purpose, historical data of trading symbols in the stock markets were analyzed, and key features were extracted from price and volume data. The performance of this strategy was assessed using strategy return indicators and compared with a classical statistical method (based on normal distribution and standard deviation analysis) as well as the traditional "buy-and-hold" strategy.
The results demonstrated that the DBSCAN-based strategy, with its ability to identify complex clusters and outliers, outperformed the statistical method and provided higher returns. Moreover, this strategy achieved not only higher returns compared to the "buy-and-hold" strategy but also effectively reduced trading risks in range-bound and bearish markets. The findings of this research suggest that utilizing advanced clustering algorithms can serve as an effective tool for financial market analysis and trading decision-making in the Tehran Stock Exchange.
Abbondante, P. (2010). Trading volume and stock indices: A test of technical analysis. researchgate.net. https://www.researchgate.net/profile/Paul-Abbondante-2/publication/49619617_Trading_Volume_and_Stock_Indices_A_Test_of_Technical_Analysis/links/5f170f6e45851515ef3bfe47/Trading-Volume-and-Stock-Indices-A-Test-of-Technical-Analysis.pdf?_sg%5B0%5D=started_experiment_milestone&origin=journalDetail
Ahadzie, R., & Jeyasreedharan, N. (2020). Trading volume and realized higher-order moments in the Australian stock market. Journal of Behavioral and Experimental …. https://www.sciencedirect.com/science/article/pii/S2214635020303403
Ahmed, M., & Mahmood, A. (2013). A novel approach for outlier detection and clustering improvement. 2013 IEEE 8th Conference on …. https://ieeexplore.ieee.org/abstract/document/6566435/ Attari, M., Rafiq, S., & Awan, H. (2012). The dynamic relationship between stock volatility and trading volume. academia.edu. https://www.academia.edu/download/97406642/28_201085-1097.pdf
Chatzikonstanti, V. (2017). Breaks and outliers when modelling the volatility of the US stock market. Applied Economics. https://doi.org/10.1080/00036846.2017.1293785
Chutka, J., & Rebetak, F. (2021). Analysis of trading volume and its use in prediction future price movements in the process of maximizing trading earnings. SHS Web of Conferences. https://www.shs-conferences.org/articles/shsconf/abs/2021/03/shsconf_glob20_02010/shsconf_glob20_02010.html
El-Ansary, O., & Atuea, M. (2012). The effect of stock trading volume on return in the Egyptian Stock Market. academia.edu. https://www.academia.edu/download/41725229/The_Effect_of_Stock_Trading_Volume_on_Re20160129-15225-1nqsjow.pdf
González-Sánchez, M. (2021). Is there a relationship between the time scaling property of asset returns and the outliers? Evidence from international financial markets. Finance Research Letters. https://www.sciencedirect.com/science/article/pii/S1544612319306774
Nipane, S., Kale, P., Kapsekar, P., Agrawal, P., & Dudbhure, O. (2021). Price trend prediction of stock market using outlier data mining algorithm.
Schluter, C., & Trede, M. (2008). Identifying multiple outliers in heavy-tailed distributions with an application to market crashes. Journal of Empirical Finance. https://www.sciencedirect.com/science/article/pii/S0927539807001041
Shehadeh, A., Alwadi, S., & ... (2022). Detecting and Analysing Possible Outliers in Global Stock Market Returns. Cogent Economics & …. https://doi.org/10.1080/23322039.2022.2066762
Suominen, M. (2001)Trading volume and information revelation in stock market. Journal of Financial and Quantitative Analysis. https://www.cambridge.org/core/journals/journal-of-financial-and-quantitative-analysis/article/trading-volume-and-information-revelation-in-stock-market/4EE7120A7541D10B580FC555DEEB1B77
Tran, T., Drab, K., & Daszykowski, M. (2013). Revised DBSCAN algorithm to cluster data with dense adjacent clusters. Chemometrics and Intelligent …. https://www.sciencedirect.com/science/article/pii/S0169743912002249
Zhao, L., & Wang, L. (2015). Price trend prediction of stock market using outlier data mining algorithm. 2015 IEEE Fifth International Conference on …. https://ieeexplore.ieee.org/abstract/document/7310722/