انتخاب بهینه سبدسهام با استفاده از الگوریتم های یادگیری ماشین

محورهای موضوعی : دانش سرمایه‌گذاری

محمدباقر یزدانی خداشهری ¹ (دانشجوی دکتری، گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران)
سید حسین نسل موسوی ² (گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران.)
میر سعید حسینی شیروانی ³ (گروه کامپیوتر، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران)

تاریخ دریافت : 1399/04/29 تاریخ پذیرش : 1399/05/15 تاریخ انتشار : 1402/10/01

کلید واژه: شبکه بیزین, درخت تصمیم بهبود یافته, انتخاب سهام, ماشین بردار پشتیبان, مجموعه راف,

چکیده مقاله :

انتخاب سبد سهام مناسب همواره از اساسی ترین مسائل سرمایه گذاران است. اساساً پیش بینی روند قیمت با استفاده از آنالیز فنی یا آنالیز اساسی انجام می شود. آنالیز فنی بر عملکرد بازار تمرکز دارد، در حالیکه تمرکز آنالیز اساسی مبتنی بر مکانیزم عرضه و تقاضا است و این سبب تغییر قیمت ها می شود. وجود راهکاری که بتواند رشد یا کاهش سهام را با استفاده از آن پیش بینی نماید، بعنوان یک نیاز اساسی در این تحقیق به آن پرداخته شده است. در پژوهش حاضر، به کمک دیتاسِت نظارت شده از راهکاری مبتنی بر الگوریتم های مجموعه راف و تحلیل سلسله مراتبی برای کاهش ویژگی و از الگوریتم های درخت تصمیم، ماشین بردار پشتیبان و شبکه بیزین برای پیش بینی استفاده شده است. این راهکار پیشنهادی با استفاده از زبان سی شارپ پیاده سازی و با راهکارهای مختلفی مقایسه شده و نتایج تحقیق نشان داده است که روش پیشنهادی با 80 درصد دقت صحت پیش بینی و 20 اشتباه در پیش بینی دارای بیشترین دقت و کمترین میزان اشتباه در میان روش های مورد مقایسه را دارد.

چکیده انگلیسی:

Choosing the right portfolio is always one of the most important issues for investors. The price trend is predicted using technical analysis or basic analysis. Technical analysis focuses on market performance, while the focus of fundamental analysis is on the mechanism of supply and demand, and these changes prices. The existence of a solution to predict growth or decrease in stocks has been studied as a basic need in this study. In the present study, with the help of a monitoring dataset, a solution based on Raff collection algorithms and hierarchical analysis to reduce the feature and decision tree algorithms, backup vector machine, and business network have been used for prediction. This proposed solution has been implemented using language and compared with different solutions, and the research results have shown that the proposed method with 80% accuracy of prediction and 20 errors in prediction has the highest accuracy and the lowest error rate among the methods compared.

منابع و مأخذ:

• تهرانی، رضا؛ هندیجانی زاده، محمد و نوروزیان لکوان، عیسی(1394)، ارائه رویکردی جدید برای مدیریت فعال پرتفوی و انجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال چهارم، شماره سیزدهم، بهار 1394.


• راعی، رضا؛ پویان فر، احمد. (1398). مدیریت سرمایه گذاری پیشرفته، تهران، انتشارات سمت.


• رستمی، ستیلا(1395)، بررسی کارایی الگوریتم یادگیری ماشین در پیش بینی شاخص بورس و اوراق بهادار تهران، منتشر شده در دومین کنفرانس ملی علوم مدیریت نوین و برنامه ریزی فرهنگی اجتماعی ایران در سال ۱۳۹۵.


• شریعت پناهی، سیدمجید، جعفری، ابوالفضل. 1393، مدیریت سرمایه گذاری، تهران، انتشارات اتحاد.


• شفیعی، حامد، یک مدل فازی شبکه عصبی برای پیش بینی قیمت سهام، پایان نامه مقطع کارشناسی ارشد، دانشکده صنایع، دانشگاه صنعتی شریف، 1394.


• عالم تبریز، اکبر؛ محمدعلی افشاری، محمدحسن ملکی و جواد محمدی. 1389؛ انتخاب بهینه سبد سهام با استفاده از مدل شبکه عصبی- مصنوعی، اریما و مدل مارکوئیتز در بورس اوراق بهادار تهران، اولین کنفرانس بین المللی مدیریت و نوآوری، شیراز.


• میرعلوی، سیدحسین؛ پرزمانی، زهرا. مدلی جهت پیش بینی قیمت سهام با استفاده از روش های فرا ابتکاری و شبکه های عصبی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 1398، شماره 40.


• خنده خوش، مژگان؛ حقیقی نیت،رضا(1395)، در نظر گرفتن عوامل مؤثر در پیش‌بینی شاخص قیمت بورس تهران با بهبود الگوریتم بهینه‌سازی ملخ در انتخاب بهترین نمونه‌ها در مدل آموزش چندتایی شبکه عصبی، سومین کنفرانس بین المللی مدیریت، اقتصاد و حسابداری.


• https://www.quandl.com


• Site: https://virgool.io/@sanaye20.ir, (2020).


• Zhang Qinghua, Qin Xie, GuoyinWang, “A survey on rough set theory and its applications”, CAAI Transactions on Intelligence Technology, Volume 1, Issue 4, October 2016, Pages 323-333.


• Breiman, J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Wadsworth, Belmont, CA, 1984.


• Site: https://en.wikipedia.org/wiki/Decision_tree_learning, (2020).


• Site: https://en.wikipedia.org/wiki/Predictive_analytics, (2019).


• Bertsimas, D., Shioda, R. (2009). Algorithm for Cardinality constrained quadratic optimizatio, Computational Optimization and Applications, Vol. 43, pp. 22.


• Chen, Yan, et al. "A genetic network programming with learning approach for enhanced stock trading model." Expert Systems with Applications 36.10: 12537-12546, 2015.


• R. Quinlan. C4. 5: programs for machine learning. Morgan Kaufmann, 1993.


• Hastie, R. Tibshirani and J. Friedman. Elements of Statistical Learning, Springer, 2009.


• Chen, Yan, and Xuancheng Wang. "A hybrid stock trading system using genetic network programming and mean conditional value-at-risk." European Journal of Operational Research 240.3: 861-871, 2015.


• Chou, Yao-Hsin, et al. "Intelligent stock trading system based on qts algorithm in japan's stock market." Systems, Man, and Cybernetics (SMC), 2013 IEEE International Conference on. IEEE, 2013.


• Easton, Peter D. "PE ratios, PEG ratios, and estimating the implied expected rate of return on equity capital." The accounting review 79.1: 73-95, 2016.


• Glasserman, Paul. Monte Carlo methods in financial engineering. Vol. 53. Springer Science & Business Media, 2013.


• Yoda, Predicting the Tokyo Stock Market. In: Trading on The Edge, Deboeck, G.J. (Ed.), John Wiley & Sons Inc., 2016, pp. 66-79.


• Yang, Yang, et al. "GNP-Sarsa with subroutines for trading rules on stock markets." Systems Man and Cybernetics (SMC), 2013 IEEE International Conference on. IEEE, 2013.


• Zahedi, Javad, and Mohammad Mahdi Rounaghi. "Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange." Physica A: Statistical Mechanics and its Applications 438: 178-187, 2015.


• Site: https://monkeylearn.com/blog/introduction-to-support-vector-machines-svm/, (2020).


• Site: https://towardsdatascience.com/introduction-to-bayesian-networks-81031eeed94e, (2020).


• Site: https://www.bayesserver.com/docs/introduction/bayesian-networks, (2020).