کاربرد تکنیک های داده کاوی یکپارچه در پیش بینی بازار سهام

نمایش فرمول ها: ? فرمول های ریاضی به صورت MathML کدگذاری شده اند و در این نسخه HTML با استفاده از MathJax نمایش داده می شوند تا نمایش آن ها بهبود یابد. علامت کادر را بردارید تا MathJax خاموش شود. این ویژگی به جاوا اسکریپت نیاز دارد. برای بزرگنمایی روی یک فرمول کلیک کنید.

بازار سهام آنقدر نامطمئن است که قابل پیش بینی نیست. بسیاری از افراد روش ها یا مدل هایی را برای افزایش احتمال کسب سود در سرمایه گذاری سهام خود ایجاد کرده اند. نرخ ضربه کلی این روش ها و مدل ها عموماً برای کاربرد در دنیای واقعی بسیار کم است. یکی از دلایل اصلی نوسانات شدید بازار است. بنابراین، تمرکز پژوهش حاضر در حوزه پیش بینی سهام، بهبود دقت پیش بینی معاملات سهام است. این مقاله سیستمی را معرفی می کند که نیاز خاص را برطرف می کند. این سیستم تکنیک های مختلف داده کاوی را ادغام می کند و از تصمیم گیری برای معاملات سهام پشتیبانی می کند. سیستم پیشنهادی تئوری معاملاتی از بالا به پایین، نظریه شبکه عصبی مصنوعی، تحلیل تکنیکال، نظریه سری زمانی پویا و نظریه احتمال بیزی را در خود جای داده است. برای بررسی تجربی بازده معاملاتی سیستم ارائه شده، دو مثال بررسی می شود. اولین مورد از مجموعه داده های شرکت تولید نیمه هادی تایوان (TSMC) استفاده می کند که افق سرمایه گذاری 240 روز معاملاتی را از 16 فوریه 2011 تا 23 ژانویه 2013 پوشش می دهد. هشتاد و چهار تراکنش با استفاده از رویکرد پیشنهادی انجام شد و بازده سرمایه گذاری سبد 54 بود.٪ با نرخ ضربه 80. 4٪ در طول یک دوره 12 ماهه که در آن قیمت سهام TSMC 25٪ افزایش یافت (از 78. 5 دلار NT به 101. 5 دلار NT). مثال دوم، داده های سهام شرکت Evergreen Marine، یک شرکت بین المللی کشتیرانی دریایی را بررسی می کند. 64 معامله انجام شد و بازده سرمایه گذاری پرتفوی در 12 ماه 128 درصد بود. با توجه به بازده سرمایه گذاری قابل توجه در معاملات سهام های TSMC و Evergreen، سیستم پیشنهادی پتانسیل های امیدوارکننده ای را به عنوان ابزاری مناسب برای پیش بینی بازار سهام نشان می دهد.

بیانیه منافع عمومی

این مقاله دانش روشنگری را در مورد استفاده از تکنیک های داده کاوی یکپارچه برای پیش بینی بازار سهام معرفی می کند. رویکرد یکپارچه نه تنها جدید، بلکه موثر است، زیرا نرخ بالای آن در پیش بینی سهام به ندرت در ادبیات دیده می شود. با در نظر گرفتن دو سهام، شرکت تولید نیمه هادی تایوان (TSMC) و شرکت دریایی همیشه سبز، برای بررسی در یک دوره 12 ماهه، نتایج نشان داد که بازده سرمایه گذاری پرتفوی برای TSMC و Evergreen به ترتیب 54 و 128 درصد بود. توجه داشته باشید، قیمت سهام برای TSMC و Evergreen به ترتیب 25+ و 7. 7- درصد تغییر کرد. با توجه به بازده سرمایه گذاری قابل توجه در معاملات سهام های TSMC و Evergreen، سیستم پیشنهادی پتانسیل های امیدوارکننده ای را به عنوان ابزاری مناسب برای پیش بینی بازار سهام نشان می دهد.

1. مقدمه

پیش بینی بازده سرمایه گذاری سهام یک موضوع مالی مهم است که توجه زیادی به آن شده است (Matías & Reboredo, 2012). در دهه گذشته، تعدادی از سیستم های هوشمند و مدل های ترکیبی برای تصمیم گیری در معاملات در تلاش برای عملکرد بهتر از بازار اصلی و سودآوری در سرمایه گذاری سهام پیشنهاد شده اند (Atsalakis & Valavanis, 2009b). ماهیت پیش بینی بازار سهام مستلزم ترکیب چندین تکنیک محاسباتی به صورت هم افزایی و نه منحصر به فرد است (جانگ، سان و میزوتانی، 1997). ضروری است که به عنوان پیش بینی "روند بازار سهام" توضیح داده شود. در واقع، پیش بینی ارزش مطلق آتی سهام به صورت روزانه غیرممکن است. با این حال، بر اساس این فرض که تا حد زیادی توسط مطالعات موردی واقعی پشتیبانی می شود که با آموزش مناسب در هر افق (روند صعودی، روند نزولی و صاف) می توان شاخص های کافی برای پیش بینی روند با دقت قابل توجهی داشت. روندهای آینده ممکن است تا حدی بر اساس برخی شاخص های کلیدی و رفتارهای گذشته پیش بینی شوند.

پیش بینی نیاز به دانش متغیرهای بازار غالب دارد که رفتار بازار سهام را که هم پویا و هم نوسان است، «توضیح می دهد». با توجه به عدم قطعیت سیستم و سایر عوامل ناشناخته (تصادفی)، هر مدل بازار سهام تقریبی است. بنابراین، هنگامی که عدم قطعیت مدل به رسمیت شناخته شد، تکنیک های محاسبات نرم به عنوان بهترین کاندیداها نسبت به مدل های خطی معیار استاندارد برای مقابله با چنین مشکلاتی ظاهر می شوند (Atsalakis, Dimitrakakis, & Zopounidis, 2011). یکی از بهترین راه ها برای مدل سازی ارزش بازار، استفاده از سیستم های خبره با شبکه های عصبی مصنوعی (ANN) است که فاقد فرمول های استاندارد است و به راحتی می تواند تغییرات بازار را تطبیق دهد. در ادبیات، بسیاری از مدل های ANN در برابر مدل های آماری برای پیش بینی ارزش بازار ارزیابی می شوند. مشاهده می شود که در اکثر موارد مدل های ANN نتایج بهتری نسبت به سایر روش ها ارائه می دهند (Guresen, Kayakutlu, & Daim, 2011). سیستم پیشنهادی در این تحقیق یک سیستم پیش بینی هوشمند ترکیبی با شبکه عصبی مصنوعی است. ممکن است با دقت قابل توجهی روند قیمت سهام را با استفاده از قیمت های تاریخی بازار سهام از بورس تایوان (TSE) پیش بینی کند و نتایج بسیار دلگرم کننده ای به دست دهد. روند سهام شرکت تولید نیمه هادی تایوان (TSMC) و سهام شرکت دریایی همیشه سبز با دقت 80. 4 درصد یا بالاتر پیش بینی شد. این درصد دقت مربوط به نسبت 4:1 (80. 4/19. 6) از انجام معاملات سهام سودآور 54 درصدی در یک پنجره طولانی مدت است که در آن رکود جهانی در اوج خود بود و اکثر معاملات غیرسودآور بودند. تمام مطالعات موردی انجام شده بر روی بازده سهام TSE منجر به دقت 80٪ یا بالاتر می شود. در بخش های بعدی، سیستمی را پیشنهاد می کنیم که تکنیک های مختلف داده کاوی را برای حمایت از تصمیم گیری معاملات سهام ادغام می کند. این سیستم همچنین شامل تئوری معاملات از بالا به پایین و معاملات پشت سر هم است که توسط لیورمور (1940) پیشگام شد. این نظریه در پیش بینی سهام مفید یافت شد. تجزیه و تحلیل تحلیل از بالا به پایین در پیش بینی سهام به دو دلیل مهم حیاتی است. یکی تحلیل از بالا به پایین جهت بازار است. سرمایه گذار قبل از انجام معامله باید روند کلی بازار را بداند. این در مورد بازار سهام، گروه صنعت و سهام فردی صدق می کند. روش بررسی این است که آیا بازار، گروه صنعتی، یا سهام به سمت بالا، پایین یا جانبی حرکت می کنند (Leung, Daouk, & Chen, 2000). سپس،

سهام فردی توسط سیستم ادغام شده با تکنیک های داده کاوی از جمله تجزیه و تحلیل فنی ، تئوری احتمال بیزی ، تئوری سری زمان پویا و ANN مورد بررسی قرار گرفته است.

در این تحقیق ، ما با بررسی بازار اصلی شروع می کنیم. مرحله این است که بدانید بازار کلی به چه روشی هدایت می شود: بالا ، پایین یا یک طرف. ثانیا ، ما گروه صنعت خاص را بررسی می کنیم تا اطمینان حاصل کنیم که این گروه در همان جهت حرکت می کند تا شانس کسب سود در تجارت را افزایش دهد. سوم ، ما سهام خواهر را مرور می کنیم تا ببینیم سهام در همان جهت حرکت می کند یا خیر. در مرحله چهارم ، هر سه عامل در همان زمان مورد بررسی قرار می گیرند. یعنی با توجه به بازار کلی ، گروه صنعت و سهام خواهر به طور همزمان. می توان به وضوح مشاهده کرد که چگونه سیستم وقتی همه عوامل در یکنواخت کار می کنند ، کار می کند. سرانجام ، سیستمی که تکنیک های یکپارچه داده کاوی برای دستیابی به پیش بینی سهام بالا/پایین استفاده می شود.

بخش های باقیمانده این مقاله به شرح زیر سازماندهی شده است. بخش 2 پیشینه مطالعات مرتبط را ارائه می دهد. بخش 3 سیستم تکنیک های داده کاوی مورد استفاده در این مطالعه را معرفی می کند و بخش 4 نتایج این رویکرد را با استفاده از قیمت سهام روزانه TSE ارائه می دهد. بخش آخر نتیجه گیری و توصیه هایی را برای تحقیقات آینده ارائه می دهد. این مقاله به مطالعه پیش بینی اطلاعات کمک می کند. همچنین در صورت اجرای صحیح به تحقق معاملات سودآور سهام کمک می کند.

2. بررسی ادبیات و کارهای مرتبط

به نظر می رسد بسیاری از تحلیلگران مالی و سرمایه گذاران بورس سهام متقاعد شده اند که می توانند با استفاده از یک رویکرد تحلیل فنی یا دیگری برای پیش بینی بازار سهام ، سود کسب کنند. برخی از مدل های سری زمانی که توسط تئوری های مالی بیان شده اند برای پیش بینی مجموعه ای از داده های قیمت سهام. ANN معمولاً علاوه بر سایر روشها به عنوان یک ابزار پیش بینی سهام انتخاب می شود. با این حال ، این رویکردها به تنهایی قابل استفاده نیستند زیرا آنها به طور مستقیم برای پیش بینی ارزش بازار که همیشه تحت تأثیر خارجی قرار دارد ، قابل استفاده نیستند. ماهیت بورس سهام تحت تأثیر عدم قطعیت های سیستم و سایر عوامل ناشناخته (تصادفی) است. پیش بینی نیاز به ترکیب چندین تکنیک محاسباتی به طور هم افزایی و نه منحصراً دارد (Chavaakul & Enke ، 2009 ؛ Zarandi ، Hadavandi ، & Turksen ، 2012). بنابراین ، لزوماً نشان دهنده استفاده ترکیبی از تجزیه و تحلیل فنی ، پیش بینی سری زمانی و احتمالاً ANN است. در ادامه ، یک بررسی به توسعه اخیر رویکرد ترکیبی برای پیش بینی بازار سهام ارائه شده است.

تجزیه و تحلیل فنی و ANN توسط Mandziuk و Jaruszewicz (2011) استفاده شد. آنها ارزیابی تجربی از یک سیستم عصبی ژنتیکی را برای پیش بینی شاخص سهام کوتاه مدت معرفی کردند. سیگنال های خرید/فروش تولید شده توسط تجزیه و تحلیل فنی ، MACD ، ویلیامز ، میانگین حرکت (MA) و نشانگر قدرت نسبی (RSI) برای تجارت سهام در نظر گرفته شده است. نتایج آنها نشان داد که پیش بینی بر اساس مدل نورون ژنتیکی در هر دو صعود و پایین آمدن به خوبی کار می کند.

رویکرد توسعه یافته توسط Tan ، Quek و Yow (2008) شامل استفاده از آنالیز فنی و عصبی-فازی است. سیستم معاملاتی هوشمند سهام آنها توانایی پیش بینی برتر یک شبکه عصبی فازی و قوانین تجارت MA و RSI را که به طور گسترده پذیرفته شده است ، ترکیب می کند. این سیستم قادر به شناسایی و پیش بینی روندهای بیش از حد در پیشخوان سهام بود و به سرمایه گذار هشدار می دهد که در ابتدای صعود خریداری کند و درست قبل از بازگشت روند و پیشخوان سهام در حال کاهش باشد.

Atsalakis و همکاران.(2011) نظریه موج الیوت و یک رویکرد عصبی-فازی را اتخاذ کرد. آنها سیستم پیش بینی سهام تجزیه و تحلیل موج را ارائه دادند ، که مبتنی بر معماری عصبی-فازی بود که از تئوری موج الیوت استفاده می کرد. این سیستم تمایل به دستیابی به نرخ ضربه را در علامت 60 ٪ نشان داد که با کمک یک سکه به طور قابل توجهی بهتر از پیش بینی بود.

رویکرد ابراهیم ، نات و ماهانتی (2001) تجزیه و تحلیل مؤلفه اصلی و آن را در بر گرفت. یک تکنیک محاسبات نرم ترکیبی برای پیش بینی خودکار بازار سهام و تجزیه و تحلیل روند به همراه تجزیه و تحلیل مؤلفه اصلی برای داده های ورودی از پیش پردازش قبل از تغذیه برای پیش بینی سهام به ANN استفاده می شود.

Zuo و Kita (2012) یک تکنیک شبکه بیزی را برای پیش بینی تجزیه و تحلیل بالا/پایین شاخص های سهام روزانه ارائه دادند و نتیجه آن با خط روانشناختی و تجزیه و تحلیل فنی تخمین روند مقایسه شد. میانگین تصحیح الگوریتم آنها تقریباً 60 ٪ بود ، که تقریباً برابر یا بالاتر از خط روانشناختی فنی (50-59 ٪) و تخمین روند (50-52 ٪) است.

چن ، سو ، چنگ ، و چیانگ (2011) به بررسی الگوی و پیش بینی سریال های زمانی پرداختند. آنها یک روش جدید برای تشخیص الگوی قیمت بود که به دنبال الگوهای خاص قیمت ("روند قیمت" و "تغییر قیمت") موجود در متغیرهای سری زمانی بود که می توانند برای پیش بینی بازار سهام استفاده شوند.

3. روش پیشنهادی - تکنیک های داده کاوی یکپارچه