پیش بینی نقاط عطف قیمت سهام در بورس سهام تهران با استفاده از دستگاه بردار پشتیبانی وزنی

اطلاعات استناد: Sayrani. ، M & Sharif ، J. S.(2022). پیش بینی نقاط عطف قیمت سهام در بورس سهام تهران با استفاده از دستگاه بردار پشتیبانی وزنه برداری. مجله آموزش کارآفرینی ، 25 (5) ، 1-11.

چکیده

پیش بینی داده های مالی یکی از مهمترین زمینه ها در بازارهای مالی است. پیش بینی فرآیند پیش بینی با استفاده از داده های تاریخی و با کمک مدلهای ریاضی است. پیش بینی و بررسی داده های سری زمانی مالی همیشه یکی از زمینه های اصلی مورد علاقه شرکت کنندگان در بازار سرمایه ، از جمله سرمایه گذاران و تحلیلگران بوده است. الگوریتم های یادگیری ماشین مانند شبکه های عصبی مصنوعی (ANNS) و دستگاه های بردار پشتیبانی (SVM) به طور گسترده ای برای پیش بینی سری زمانی مالی مورد استفاده قرار گرفته اند و نشان داده شده است که از مدل های خطی سنتی مانند میانگین متحرک یکپارچه خودرو (ARIMA) بهتر عمل می کند. هدف پیش بینی سیگنال های معاملات سهام و ایجاد سیستمی است که پیش بینی می کند چه زمانی برای خرید و فروش سهام برای به حداکثر رساندن سود پیش بینی می کند. در این مقاله نمایندگی خطی پراکنده (PLR) و روش ZIG ZAG به دستگاه بردار پشتیبانی وزنی (WSVM) برای پیش بینی نقاط عطف سهام (TPS) ادغام شده است. از شاخص قدرت نسبی (RSI) نیز برای تعیین اینکه آیا TP پیش بینی شده یک نقطه خرید یا نقطه فروش است استفاده می شود. 40 شرکت ذکر شده در بورس اوراق بهادار تهران (TSE) با یک واحد اندازه گیری روزانه بین سالهای 2016 و 2019 مورد بررسی قرار می گیرند که از این تعداد 20 شرکت برتر از نظر شاخص بازار سهام و 20 نفر به طور تصادفی از شرکتهای غیر دولتی انتخاب می شوند. نتایج حاکی از عملکرد ضعیف PLR در پیش بینی سهام TPS در TSE است ، اگرچه کمی دقیق تر از زیگ زاگ است.

کلید واژه ها

نقاط عطف ، حرکت ، نمایندگی خطی پراکنده (PLR) ، دستگاه بردار پشتیبانی وزنی (WSVM).

مقدمه

پیش بینی به طور کلی به عنوان پیش بینی رویدادهای احتمالی آینده بر اساس داده های گذشته و حال تعریف می شود. به دلیل ماهیت پیچیده و پویای آن، پیش‌بینی روندهای بازار سهام برای دهه‌ها حوزه مورد علاقه محققان بوده است. داده های مالی پیچیده، غیرخطی، ناپارامتریک و بسیار فرار هستند. الگوریتم‌های یادگیری ماشین به دلیل موفقیت در تجزیه و تحلیل داده‌های غیرخطی، با موفقیت برای پیش‌بینی داده‌های مالی استفاده شده‌اند. افراد تمایل دارند قبل از سرمایه گذاری اطلاعات مربوط به روندهای گذشته و تغییرات قیمت را جمع آوری و بررسی کنند. برای کسب سود در بازار مالی، سرمایه گذاران بیش از پیش بینی قیمت های روزانه نگران تصمیم گیری های معاملاتی هستند (تانگ و همکاران، 2019).

یک سیاست تجاری خوب می تواند سود حاصل از سرمایه گذاری را افزایش دهد. نقطه عطف (TP) نقطه ای است که در آن قیمت سهام تغییر جهت می دهد. سرمایه گذاران دوست دارند سهام را در TP بخرند یا بفروشند تا سود را به حداکثر برسانند. بنابراین، شناسایی دقیق TP سهام بسیار مهم است.

چارچوب نظری

باور عمومی بر این است که بازارهای مالی از یک روند غیرخطی پیروی می کنند (Thomaidis, 2006). به همین دلیل از مدل های غیرخطی برای پیش بینی قیمت سهام و شاخص های بازار استفاده می شود.

فرضیه بازار کارآمد (EMH) در اواسط دهه 1960 مطرح شد (Timmermann، 2004). در یک بازار سرمایه کارا، قیمت سهام منعکس کننده تمام اطلاعات موجود است و بنابراین سرمایه گذاران نمی توانند از این اطلاعات برای شکست دادن بازار و کسب سود قابل توجه استفاده کنند (لارنس، 1997). EMH فرض می کند که سهام با ارزش منصفانه خود معامله می شود و قیمت ها به سرعت با اطلاعات جدید سازگار می شوند (حسینی مقدم، 2004).

برای پیش بینی از روش های مختلفی مانند تحلیل رگرسیون و تحلیل سری های زمانی استفاده شده است. اگرچه تحلیل تکنیکال و ساختاری به طور گسترده در پیش بینی بازار سهام استفاده شده است، شواهد نشان می دهد که این روش ها چندان موفق نبوده اند. با پیشرفت‌های اخیر در این زمینه، محققان برای پیش‌بینی بهتر به مدل‌های سری زمانی و شبکه‌های عصبی مصنوعی روی آورده‌اند (لارنس، 1997).

مدل‌های سری زمانی تک متغیره، دنباله‌ای از مشاهدات یک متغیر را در طول زمان در نظر می‌گیرند و از مقادیر گذشته برای پیش‌بینی مقادیر آینده استفاده می‌کنند (Seiler & Rom, 1997). با این حال، اگرچه بسیاری از سری های زمانی ثابت هستند، سری های زمانی خاصی در طول زمان در نوسان هستند (Enders، 2008).

اگرچه مدلهای آماری توانسته اند پیش بینی قیمت نسبتاً خوبی را ارائه دهند ، فرضیات محدود کننده ذاتی در برخی از این مدل ها اثربخشی آنها را تضعیف می کند و در نتیجه ، روش های دیگر به تدریج برای رسیدگی به این محدودیت ها و بهبود عملکرد پیش بینی پیشنهاد شده است. بسیاری از مطالعات مزایای ماشینهای بردار پشتیبانی (SVM) و شبکه های عصبی مصنوعی (ANNS) را نسبت به سایر تکنیک های پیش بینی نشان داده اند.

بررسی ادبیات

کارا و همکاران.(2011) عملکرد ANN و SVM را در پیش بینی جهت حرکت در بورس روزانه استانبول (ISE) مقایسه کرد. نتایج نشان داد که مدل ANN به طور قابل توجهی از مدل SVM بهتر عمل می کند.

هوانگ و همکاران.(2008) از انتخاب ویژگی بسته بندی با یک سیستم طبقه بندی کننده کامپوزیت متشکل از SVM و ANN برای پیش بینی قیمت سهام استفاده کرد. نتایج نشان داد که رویکرد بسته بندی نسبت به فیلترهای ویژگی متداول از دقت پیش بینی بالاتری برخوردار است.

Zbikowski (2015) از یک مدل SVM با وزن وزنی با روش انتخاب ویژگی فیشر برای پیش بینی روندهای کوتاه مدت در بازار سهام استفاده کرد. از هفت شاخص فنی برای پیش بینی استفاده شد و نتایج حاکی از برتری این مدل نسبت به SVM ساده یا SVM بدون انتخاب ویژگی است.

DI (2014) SVM را با شاخص های فنی (به عنوان مثال ، RSI ، ATR ، MFI) به پیش بینی روند قیمت سهام در سه شرکت (AAPL ، آمازون و مایکروسافت) بین سالهای 2010 تا 2014 اعمال کرد. داده های آموزش با 84 ویژگی و ویژگی های برتر تغذیه به طبقه بندی SVM بود. نتایج حاکی از درجه بالای دقت روش پیشنهادی است.

لو و همکاران.(2017) یک نسخه بهبود یافته از بازنمایی خطی یکپارچه و دستگاه بردار پشتیبانی وزنی (PLR-WSVM) را به 20 سهام اعمال کرد. نتایج نشان داد که موفقیت PLR-WSVM بهبود یافته در پیش بینی سیگنال های معاملات سهام است. آنها همچنین دریافتند که PLR-WSVM بهبود یافته سود پایدار را با جمع آوری پذیرفته شده فراهم می کند.

Jadhav و همکاران.(2018) از الگوریتم های پیش بینی و ANN برای پیش بینی شاخص های بازار سهام استفاده کرد. آنها با استفاده از داده های BSE و NSE ، چهار الگوریتم (به عنوان مثال ، الگوریتم میانگین حرکت ، الگوریتم پیش بینی ، الگوریتم رگرسیون و یک الگوریتم ANN) را با یکدیگر مقایسه کردند و دریافتند که آن از دیگران بهتر است. با این حال ، آنها استدلال كردند كه ترکیبی از این الگوریتم ها می تواند به بهترین وجه نوسانات احتمالی بازار را پوشش دهد و حداکثر راندمان پیش بینی را ارائه دهد.

شمس و پارسائیان (2012) عملکرد مدل فاما و فرنچ را با شبکه عصبی مصنوعی در پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران (TSE) مقایسه کردند. نتایج نشان دهنده برتری مدل ANN بود.

فلاح پور و همکاران(2013) از یک SVM مبتنی بر الگوریتم ژنتیک (GA-SVM) برای پیش‌بینی حرکت قیمت سهام در TSE استفاده کرد. GA برای بهینه سازی متغیرهای ورودی مدل ترکیبی استفاده شد. نتایج نشان داد که GA-SVM دقت پیش‌بینی بالاتری نسبت به SVM ساده دارد.

باجالان و همکاران(2017) از SVM حجمی (VW-SVM) با انتخاب ویژگی F-SSFS استفاده کرد. برای پیش بینی روند قیمت سهامنتایج مزیت مدل VW-SVM را نسبت به SVM ساده و مزیت VW-SVM با F-SSFS را نسبت به سایر روش‌های انتخاب ویژگی مرسوم نشان داد.

محمدی و همکاران(2018) یک مدل ترکیبی متشکل از مدل های ANN و میانگین متحرک یکپارچه اتورگرسیو (ARIMA) برای پیش بینی تغییرات قیمت طلا پیشنهاد کرد. نتایج نشان داد که مدل ترکیبی بهتر از مدل‌های ANN و ARIMA ساده عمل می‌کند.

اگرچه روش‌های مختلفی برای پیش‌بینی قیمت سهام پیشنهاد شده است، اما پژوهش حاضر نقاط عطف سهام را با استفاده از PLR و WSVM در بورس اوراق بهادار تهران پیش‌بینی می‌کند (جدول 1).

مدل پیشنهادی

متغیرها

شاخص های ورودی

شاخص های سهام در جدول 2 نشان داده شده است (Luo & Chen, 2013). KDJ یک شاخص مومنتوم ترکیبی است که به طور گسترده برای تجزیه و تحلیل روند سهام استفاده می شود. از سه شاخص (K، D و J) تشکیل شده و به صورت زیر محاسبه می شود:

جایی که اچ_nو من_nبالاترین و کمترین قیمت در طول روز هستند.

اگر روز قبل چنین مقادیری وجود نداشته باشد، می توان مقادیر K و D را روی 50 تنظیم کرد.

سیگنال خرید معمولا زمانی رخ می دهد که K کمتر از D باشد و خط K از خط D عبور کند. وقتی K بزرگتر از D باشد و خط K زیر خط D باشد، نشان دهنده سیگنال فروش است. بنابراین از اشکال مختلف KDJ به عنوان شاخص ورودی دیگر استفاده می شود.

جدول 2 شاخص ها و فرمول ها
شاخص	فرمول	شرح
ATP		میانگین قیمت در یک روز معاملاتی
ALT		وسعت حرکت قیمت
ITL		نوع K-LINE
CATP		تغییرات میانگین قیمت معامله نسبت به روز معاملاتی قبل
CTM		تغییرات ارزش معاملات نسبت به روز معاملاتی قبل
TR		نرخ گردش مالی
CTR		تغییرات در نرخ گردش مالی
PCCP		بسته شدن موقعیت قیمت
PCTV		حجم معامله در ده روز
RDMA		حرکت شاخص قیمت: تفاوت نسبی بین دو میانگین متحرک
RMACD		همگرایی/واگرایی میانگین متحرک نسبی: شاخصی که روند قیمت را دنبال می کند
ashdd		انحراف قیمت از میانگین
KDJ	معادلات 4 تا 6	نشانگر حرکت
آن را		نوع KDJ
RSID		شاخص استحکام نسبی: نسبت افزایش و کاهش قیمت در یک دوره معین

تعداد روزهای (د) برای محاسبه BIASD 5 ، 10 ، 20 ، 30 و 60 است. تعداد روزهای (د) برای محاسبه RSID 6 ، 12 و 24 است. در کل ، در کل 23 شاخصبه عنوان متغیر ورودی استفاده می شود.

روش شناسی

این یک تحقیق کاربردی و کمی است و مبتنی بر روش تحقیق میدانی است. یعنی فرضیه تحقیق بر اساس داده های جمع آوری شده از بورس تهران آزمایش می شود و سپس نتایج به کل جمعیت تعمیم می یابد.

روش پیش بینی به سه بخش تقسیم می شود:

1. یک مدل PLR با یک آستانه ناشناخته پیشنهاد شده است که می تواند برای شرکت های مختلف متفاوت باشد. در این حالت ، آستانه PLR با حداکثر رساندن عملکرد تناسب اندام به طور خودکار انتخاب می شود. 2. از روش نمونه برداری برای تعیین TPS سهام استفاده می شود. اگر این نقاط به جای یک نقطه به عنوان یک دوره رفتار شوند ، تعداد TPS افزایش می یابد. نمونه برداری تصادفی (Keogh و همکاران ، 2001) به همراه نمونه برداری برای تعادل تعداد نمونه ها استفاده می شود. 3. از شاخص مقاومت نسبی (RSI) برای تعیین اینکه آیا TP پیش بینی شده یک نقطه خرید (BP) یا یک نقطه فروش (SP) است استفاده می شود. 40 سهام برای آزمایش مدل پیشنهادی استفاده می شود.

PLR ، WSVM و Zig Zag

PLR روشی برای تقسیم یک سری به چندین بخش است (Luo & Chen ، 2013). SVM برای اولین بار توسط Vapnik (1999) به عنوان یک روش طبقه بندی مبتنی بر به حداقل رساندن خطر ساختاری پیشنهاد شد. SVM می تواند با اصل خطر ساختاری بهترین تعمیم پذیری را فراهم کند. مزیت SVM این است که با نمونه های کوچک ، داده های غیرخطی و مشکلات ابعادی بالا به خوبی کار می کند.

SVM به منظور حل مشکلات غیرخطی ، بردارهای ورودی را به فضای ویژگی های بعدی بالاتر تبدیل می کند. در آن فضا ، یک هیپرپلن جداکننده بهینه وجود دارد که حاشیه بین دو کلاس را به حداکثر می رساند. بردارهای حاشیه حاشیه به عنوان بردارهای پشتیبانی نامیده می شوند.

در نظر بگیرید که مجموعه نقاط ویژگی ورودی است که متعلق به یکی از دو دسته با توجه به برچسب آن است ، حداکثر حداکثر حاشیه حاشیه ای برای مشکل غیرخطی قابل جدا شدن استفاده می شود:

(4)

جایی که x نمونه آزمون است ، x (i) بردار پشتیبانی است و k (x (i)) عملکرد هسته است. عملکرد هسته می تواند متغیرهای کم بعدی را به متغیرهای ابعادی بالا نشان دهد. عملکرد هسته چند جمله ای و عملکرد پایه شعاعی گاوسی (RBF) رایج ترین گزینه ها هستند.

معادله فوق می تواند به منظور بدست آوردن یکپرپلن بهینه به موارد زیر تبدیل شود:

منوط به

از کجا C عامل مجازات است ، ξi متغیر Slack است؟آیا محصول DOT است ،؟

هنگامی که هر نمونه تمرینی XI دارای وزن μI است ، ضریب پنالتی C با μI C جایگزین می شود و مدل SVM به WSVM تبدیل می شود.

مدل پیشنهادی

مدل پیشنهادی از PLR برای تولید TPS و نقاط معمولی (OPS) استفاده می کند. وزن با تغییر در قیمت TPS مجاور محاسبه می شود. از نمونه برداری و نمونه برداری برای تعادل تعداد نمونه ها استفاده می شود. TP ها با استفاده از WSVM پیش بینی می شوند و سیگنال های معاملاتی بر اساس RSI تعیین می شوند. شکل 1 نمودار جریان مدل پیشنهادی را نشان می دهد ، و جزئیات در زیر بخش های زیر ارائه شده است.

شکل 1: نمودار نمودار مدل پیشنهادی.

تولید TP با استفاده از PLR

مجموعه داده ها به طور متوالی به مجموعه آموزش و آزمایش Q تقسیم می شوند ، که به شرح زیر محاسبه می شود (ژانگ ، 2003).(Zhong & Enke ، 2017)

جایی که R اندازه مجموعه داده ها است ، R1 اندازه مجموعه آموزش است و R2 اندازه مجموعه آزمون است. یک مجموعه داده تقسیم نمونه در شکل 2 نشان داده شده است.

شکل 2: نمونه ای از تقسیم متوالی یک مجموعه داده.

PLR در هر مجموعه آموزش برای به دست آوردن TPS سهام استفاده می شود. فرورفتگی ها و قله ها به عنوان TPS طبقه بندی می شوند و سایر نقاط به عنوان OPS طبقه بندی می شوند.

با افزایش تعداد TPS ، PLR به راحتی TPS را در یک دوره کوتاه تولید می کند. این نقاط به جای TPS نقاط کوتاه مدت هستند. علاوه بر این ، از آنجا که سهام مختلف حرکات قیمت متفاوتی دارند ، تعیین آستانه یکسان برای سهام مختلف منطقی نیست. عملکرد تناسب اندام زیر ، که به جای ریباند های کوتاه مدت بر روندهای میان مدت و بلند مدت متمرکز است ، می تواند برای حل این مشکلات استفاده شود:

در کجا درآمد با استفاده از TPS تولید شده توسط PLR محاسبه می شود ، یک عامل مجازات است ، تعداد نقاط برگشتی برای دوره ای است که TPS نباید وجود داشته باشد ، و روز اول TP است.

از آنجایی که این معادله می تواند به طور دقیق با قیمت پایین خرید کند و با قیمت بالا بفروشد، هر چه تعداد TP ها بیشتر باشد، درآمد بیشتر خواهد بود. با این حال، بخش دوم معادله معاملاتی را که در عرض چند روز اتفاق افتاده اند مجازات می کند. هرچه فاصله بین معاملات کمتر باشد، جریمه بیشتر است. بنابراین، تعداد نقاط برگشتی در PLR را می‌توان به‌طور خودکار با به حداکثر رساندن تابع تناسب تعیین کرد. TPها و OPها به صورت زیر وزن‌بندی می‌شوند (Luo et al., 2017):

قیمت بسته شدن کجاست، TP است، TP بعدی است، و یک فاکتور مقیاس شده است. وزن ها با استفاده از معادله زیر نرمال می شوند:

پیش بینی TP با استفاده از WSVM

در یک مسئله پیش بینی TP، TP ها توسط کارشناسان مالی یا الگوریتم ها برچسب گذاری می شوند. بنابراین، در تحقیق حاضر، یک TP به جای یک نقطه به عنوان یک دوره تلقی می شود. به این ترتیب، همسایگان TP های تولید شده توسط PLR نیز باید به عنوان TP برچسب گذاری شوند و یک پنجره همسایه برای کنترل آنها تعریف شود. با پنجره همسایه تعداد TP ها چندین برابر افزایش می یابد. همسایه ها دارای وزن و ویژگی های مشابه با TP مرکزی خود هستند که تشخیص آنها را دشوار می کند. بنابراین، یک پنجره همسایه برای کنترل همسایگان TP ها تعریف می شود که نباید به عنوان OP برچسب گذاری شوند.

پس از تنظیم نمونه ها بر اساس این فرض که به ترتیب تعداد TP ها و OPهای تولید شده توسط PLR و تعداد سایر OP ها هستند، می توان OP ها را به صورت زیر انتخاب کرد:

تعیین سیگنال های معاملاتی با استفاده از RSI

پس از پیش بینی TP ها با استفاده از WSVM، مرحله بعدی تعیین اینکه آیا این نقاط BP هستند یا SP. RSI یک منحنی فنی بر اساس نسبت مجموع تعداد نقاط نزولی و صعودی در یک دوره معین است و نشان دهنده رونق بازار سهام است. هر چه قیمت سهام بیشتر شود، RSI بزرگتر است و بالعکس. زمانی که RSI در حدود 50 باشد، روند سهام ثابت است، در حالی که RSI 70 و کمتر از 30 به ترتیب نشان دهنده خرید بیش از حد و گران فروشی است (Bhargavi et al., 2017). پژوهش حاضر از RSI برای تعیین روند سهام و سیگنال های معاملاتی استفاده می کند. هنگامی که روند سهام ثابت است (یعنی RSI حدود 50)، تشخیص BP ها از SP دشوار است. بنابراین، این نقاط کنار گذاشته شده و سایر نقاط به شرح زیر تعیین می شود:

تحلیل داده ها

تحقیق حاضر TPهای سهام را با استفاده از WSVM، PLR و اندیکاتور Zig Zag پیش‌بینی می‌کند. سال 2019 سال هدف است و از دوره 2016-2019 برای آموزش مدل ها استفاده می شود. لازم به ذکر است که سال 2019 به چهار پنجره تقسیم می شود و مدل ها برای هر پنجره برای پیش بینی TP ها و تعیین SP ها و BP ها آزمایش می شوند. علاوه بر این، سفارشات در پایان هر پنجره بسته می شوند و سود/زیان هر پنجره محاسبه می شود.

ایران خودرو

در این قسمت TP های شرکت خودروسازی ایران خودرو ارائه شده است. همانطور که در شکل 3 نشان داده شده است، الگوریتم WSVM-PLR در مجموع 11 TP تولید می کند که 5 تای آنها سیگنال خرید و بقیه سیگنال ها را بر اساس مقادیر RSI خود می فروشند. در مجموع 13 امتیاز نیز با استفاده از الگوریتم WSVM-ZigZag به دست می آید.

شکل 3: پیش بینی Tps با استفاده از Wsvm-Plr و Wsvm-Zigzag.

مقایسه PLR و Zig Zag

جدول 3 مقایسه ای از نتایج سود و زیان، ریسک و ضریب تغییرات را برای هر دو روش در دو حالت، یعنی موقعیت های خرید-فروش (ستون های 2 و 3) و موقعیت های خرید (ستون های 4 و 5) و بازده کل ارائه می دهد. هر شرکت در سال 2019. همانطور که مشاهده می شود، روش PLR کارآمدتر از روش زیگ زاگ در 31 شرکت نمونه است. علاوه بر این، خطر PLR در این مورد تفاوت قابل توجهی با زیگ زاگ ندارد. ضریب تغییرات نیز برای PLR بیشتر از Zig Zag است. در ستون های 2 و 3 که هر دو موقعیت خرید و فروش را شامل می شود، این دو روش به اندازه کافی برای پیش بینی دقیق و قابل اعتماد نیستند. در واقع بازدهی این دو روش نسبت به بازده کل آن سال صفر بوده است.

بحث

فرضیه کارآمد بازار (EMH) یکی از مهمترین تئوری های اقتصاد و دارایی است. از یک طرف ، تنظیم کننده ها سعی می کنند بازار را کارآمدتر کنند و از طرف دیگر ، معامله گران خبره سعی می کنند از تفاوت بین بازارهای واقعی و یک بازار کارآمد سود ببرند. EMH فرض می کند که در یک بازار کارآمد ، همه سرمایه گذاران به همان اطلاعات دسترسی دارند. با این حال ، بسیاری از محققان و پزشکان معتقدند که پیش بینی قیمت می تواند منجر به بازده غیر طبیعی شود. برای این منظور روشهای مختلفی برای پیش بینی قیمت ارائه شده است. یادگیری ماشین و شبکه های عصبی مصنوعی از جمله روشهای پرکاربرد پیش بینی هستند.

نتیجه

در این تحقیق ، نمایندگی خطی پراکنده (PLR) و دستگاه بردار پشتیبانی وزنی (WSVM) برای پیش بینی نقاط عطف سهام (TPS) یکپارچه شدند. از شاخص قدرت نسبی (RSI) نیز برای تمایز بین خرید و فروش نقاط استفاده شد. با مقایسه PLR و زیگ زاگ ، نتایج نشان داد که در هنگام معامله هر دو موقعیت فروش و خرید ، هر دو روش قابل اعتماد نیستند. این نشان دهنده ناتوانی این دو روش در پیش بینی قیمت سهام در ایران است. همانطور که قبلاً اشاره شد ، با وجود روند صعودی و رشد قابل توجه بیشتر سهام ، این روش ها نتوانسته اند سقف صحیح و کف را برای ورود شناسایی کنند و خطاهای قابل توجهی داشته اند ، به گونه ای که میانگین بازده آنها زیر 10 درصد در سال بوده است.

منابع

Bajalan ، S. ، Fallahpour ، S. ، & Dana ، N. (2017). پیش بینی روند قیمت سهام با استفاده از یک دستگاه بردار پشتیبانی اصلاح شده با انتخاب ویژگی های ترکیبی. چشم انداز مدیریت مالی ، 17 ، 69-86.

دی ، X. (2014). پیش بینی روند سهام با شاخص های فنی با استفاده از SVM. استندفورد: دانشگاه للند استنفورد جونیور ..

حسینی مغادام ، R. (2004). ساخت بازار در بورس. انتشارات جانگال.

Jadhav ، S. ، Dange ، B. ، & Shikalgar ، S. (2018). پیش بینی شاخص های بازار سهام توسط شبکه های عصبی مصنوعی با استفاده از الگوریتم های پیش بینی. در کنفرانس بین المللی محاسبات و برنامه های هوشمند (صفحات 455-464). اسپرینگر ، سنگاپور.

Keogh ، E. ، Chu ، S. ، Hart ، D. ، & Pazzani ، M. (2001 ، نوامبر). یک الگوریتم آنلاین برای مجموعه های زمانی تقسیم بندی. در مجموعه مقالات 2001 کنفرانس بین المللی IEEE در مورد داده کاوی (صفحات 289-296). IEEE

لارنس ، R. (1997). استفاده از شبکه های عصبی برای پیش بینی قیمت بازار سهام. دانشگاه منیتوبا ، 333 ، 2006-2013.

محمد ، س. ، رائی ، ر. ، و رحیمی ، م. R. (2018). پیش بینی قیمت طلا با استفاده از یک مدل آریما ترکیبی. مجله مهندسی مالی ، 9 (34) ، 335-357.

دریافت شده: 01-Jul-2022 ، نسخه خطی شماره AJEE-22-12317 ؛ویرایشگر اختصاص داده شده: 04-JU L-2022 ، PREQC No. AJEE-22-12317 (PQ) ؛بررسی: 18-ژول 2022 ، QC شماره AJEE-22-12317 ؛اصلاح شده: 22-Jul-2022 ، نسخه خطی شماره AJEE-22-12317 (R) ؛منتشر شده: 27 ژوئی ه-2022

آکادمی های تجاری متفقین که در کل 14 ژورنال مختلف در زمینه های مختلف تجارت منتشر می کنند. با میزان پذیرش 30 ٪ ، هر یک از مجلات شرکت های وابسته ما دو کور است ، همکار بررسی شده و برخی از مجلات در Scopus ، Scimago ، Google Scholar ، ProQuest ، Cengage Gale ، Lexisnexis و چندین پایگاه داده دانشگاهی و موتورهای جستجو ذکر شده است. واد

ما را دنبال کنید

لینک های سریع

اطلاعات تماس

آکادمی های تجاری متفقین 40 Bloomsbury Way طبقه همکف لندن ، انگلستان WC1A 2SE

آدرس ثبت شده3 Shenton Way #10-05 Shenton House سنگاپور (068805)