پیش بینی شاخص بازار سهام به وسیله مدل مارکوف پنهان و روش خوشه بندی کا میانگین

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

سعید عسگری ¹ (دانشجوی کارشناسی ارشد مدیریت بازرگانی (گرایش مالی) دانشگاه شاهد، تهران، ایران)
ناصر یزدانی ² (استادیار دانشگاه شاهد، تهران، ایران)
محسن ناظم بکایی ³ (استادیار دانشگاه شاهد، تهران،‌ایران.)

تاریخ دریافت : 1394/12/05 تاریخ پذیرش : 1395/04/20 تاریخ انتشار : 1396/10/01

کلید واژه: مدل مارکوف پنهان, شاخص قیمتی بی ای ال 20, مدل های تکنیکال برای پیش بیتی , الگوریتم خو بندی کا میانگین,

چکیده مقاله :

پیش‌بینی بازار سهام یک مسئله کلاسیک میباشد که تا کنون به طور گسترده ای به وسیله ابزار‌ها و مدل های مختلف مورد تجزیه و تحلیل قرار گرفته است.تغییرات روند بازار سهام ناشی از تقابل نیرو های عرضه و تقاضا و دیگر عوامل اقتصادی است. تکنیک های اماری سنتی برای توصیف روند های فصلی و نامانایی داده های قیمت در بازار سهام ناتوان هستند. مدل مارکوف پنهان یکی از ابزار های بسیار قدرت مند در پردازش فرایند های اتفاقی و دنباله های تصادفی است، که در پهنه وسیعی از کاربرد ها نظیر پردازش گفتار، تصویر و سیگنال استفاده شده است. این مدل یک مدل اماری بوده و کار برد اصلی ان در باز شناخت گفتار می‌باشد. اما از انجا که یک مدل کلی برای فرایند های تصادفی است می‌تواند در سری های زمانی مالی نیز به کار رود.در این تحقیق ما با استفاده از الگوریتم خوشه بندی K-mean به همراه مدل مارکوف پنهان بر روی متغییر های تکنیکال درصد تغییرات روزانه قیمت و حجم معاملات به پیش‌بینی شاخص بی ای ال20)بلژیک) دریک روز اینده پرداخته ایم و در اخر دقت پیش‌بینی را با استفاده از معیار متوسط درصد خطاهای مطلق محاسبه کرده ایم که مقدار متوسط خطاهای مطلق برای پیش بینی مقدار روز اینده شاخص قیمتی بی ای ال20 در بازه زمانی 1 دسامبر تا 30 دسامبر 2015 عدد 0.03463- درصد میباشد. سری‌های زمانی مقدار شاخص و حجم معاملات آن در بازه زمانی 1/1/2012 تا 30/12/2015 نمونه پژوهش را تشکیل میدهند. از داده های 1/1/2012 تا 30/11/2015 برای پرورش مدل و از داده های 30/11/2015 تا 30/12/2015 برای تست مدل و به دست اوردن دقت پیش بینی استفاده کرده ایم.

چکیده انگلیسی:

Stock price prediction is a classic problem that has been analyzed by different tools and models. Stock market trend changes depends on supply and demand rule and other macroeconomic forces in the market circumstance. Non liner and full swing process makes it hard to predict future stock price. Traditional statistical techniques and models cannot explain seasonal and non-station time series data in stock markets. Hidden markov model has widely used in the way of predicting statistical time series. It extensively has used in such majors as speech recognition and DNA sequencing and also it can be used in order to next stock price prediction. In this study we tried to use discrete hidden markov model to predict next day’s index in Brussels (Euro Next) and answer the question that “which market will get the more accurate prediction by hidden markov model?.

منابع و مأخذ:

*      تهرانی، رضا، نوربخش،عسگر،(1388)"مدیریت سرمایه گذاری"نشر نگاه دانش،ص480،479،69

*      راعی، رضا، تلنگی، احمد،(1383) "مدیریت سرمایه گذاری پیشرفته" انتشارات سمت، ص67 ،69،70

*      Al Galib, A., Alam, M. and Rahman, R.M. (2014) ‘Prediction of stock price based on hidden Markov model and nearest neighbour algorithm’, Int. J. Information and Decision Sciences, Vol. 6, No. 3, pp.262–292.

*      Elaine Rich and Kevin Knight, (1991)“Artificial Intelligence”, 2nd edition, McGraw-Hill, Inc., 1991.

*      JAROSLAV LAJOS,(2015)” COMPUTER MODELING USING HIDDEN MARKOV MODEL APPROACH APPLIED TO THE FINANCIAL MARKETS” Doctoraldissertation, Oklahoma State University,United states of America

*      Md. Rafiul Hassan and Baikunth Nath,(2005)," stock market forecasting  using hidden markov model: a new approach ", Proceedings of the 2005 5th International Conference on Intelligent Systems Design and Applications (ISDA’05)

*      Rabiner R L, (1989), A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of the IEEE, Vol. 77(2), pp 257-286.

*      Oliver C. Ibe,(2009) "Markov Processes for Stochastic Modeling", Elsevier Academic Press Inc, 2009.

*      Rijeka ,Przemyslaw Dymarski,(2011)," Hidden Markov Models, Theory and Applications" Publisher: InTech, Chapters published April 19, 2011 under CC BY-NC-SA 3.0 license

*      Tofallis (2015). "A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation", Journal of the Operational Research Society, 66(8),1352-1362.

*      Zhang, Y. (2004)," Prediction of Financial Time Series with Hidden Markov Models", Doctoraldissertation, Simon Fraser University, British Columbia, Canada