خلاصة:
در این پژوهش روشی مبتنی بر تئوری مجموعههای راف و با استفاده از شاخصهای تحلیل تکنیکی جهت پیشبینی قیمت سهام ارائه شده است. تئوری مجموعههای راف دارای مزایای متعددی است که مهمترین مزیت آن در تحلیل دادهها این است که به هیچگونه اطلاعات اضافی اولیه در مورد دادهها نیاز ندارد. در مدل پیشنهادی، تعدادی از شاخصهای تکنیکال برای دادههای مربوط به بانک صادرات ایران در طول یک سال محاسبه و به عنوان مشخصههای شرطی در جدول تصمیم مورد استفاده قرار گرفته و نوسان قیمت سهام در روز بعد نیز به عنوان مشخصه تصمیم انتخاب میشود. لازم به ذکر است که با استفاده از آنالیز ماتریس همبستگی، شاخصهای با بیشترین همبستگی با مشخصه تصمیم انتخاب میگردند. سپس با استفاده از تئوری مجموعههای راف و ترکیب روشهای مختلف گسستهسازی دادهها و تولید بی زائده بر اساس دادههای یادگیری، قواعد پیشبینی استخراج و قدرت پیشبینی روشهای مختلف بر اساس دادههای کنترل محاسبه شد. در این مطالعه دادههای شش سال متوالی (یعنی 05/05/ 1388 لغایت 24/ 04/ 1394 بانک صادرات مورد استفاده قرار گرفته است. بررسی قدرت پیشبینی این روش و مقایسه بازده حاصل از استفاده از آن و روش خرید و نگهداری، مزیت استفاده از مجموعههای راف را آشکار مینماید. مقایسه نتایج حاصل از اعمال روشها بر روی دادههای مربوطه نشان میدهد که بازده حاصل از استراتژی خرید و نگهداری 33 ریال و بازده حاصل از مدل 182 ریال به ازای هر سهم میباشد. همچنین استفاده از دادههای سالهای مختلف با روند قیمتی متفاوت به عنوان ورودی مدل و دستیابی به نتایج رضایتبخش، میتواند دلیلی امیدوارکننده برای استفاده از این روش و توسعه آن در پیشبینی قیمت سهام باشد.
This paper proposes a method based on rough set theory and by using technical indicators to predict the stock price. Rough set theory has several advantages; the most important advantage is that no additional information is needed about the initial data. In the proposed model، a number of technical indicators from the data of Bank Saderat Iran during a year were calculated and used as condition attributes in the decision table and the stock price fluctuation on the next day was selected as decision attribute. It should be noted that by using the correlation matrix analysis، the variables with the highest correlation with decision attribute were selected as conditional attributes. Using rough set theory and different discretization and reduction methods، some rules are extracted based on learning data and methods validity were computed based on control data. Comparing the return of this method and buy and hold method reveals the superiority of proposed model. Also، using data from different years with different price trends as inputs to the model and achieving satisfactory results is a promising reason for using and developing this method in stock price forecasting.
ملخص الجهاز:
/ / راهبرد مديريت مالي دانشگاه الزهرا (س ) دانشکده علوم اجتماعي و اقتصادي سال پنجم ، شماره هجدهم / پاييز ١٣٩٦ تاريخ دريافت :١٣٩٦/٠٤/١٠ صص ١٤٤-١١٩ تاريخ تصويب : ١٣٩٦/٠٦/٢٥ کاربرد تئوري مجموعه هاي راف براي پيش بيني قيمت سهام (مطالعه موردي: بانک صادرات ايران ) 1 4 عليرضا سارنج ٢ ، تورج کريمي ٣ ، مجيد شهرامي بابکان چکيده در اين پژوهش روشي مبتني بر تئوري مجموعه هاي راف و با استفاده از شاخص هاي تحليل تکنيکي جهت پيش بيني قيمت سهام ارائه شده است .
همچنين استفاده از داده هاي سال هاي مختلف با روند قيمتي متفاوت به عنوان ورودي مدل و دستيابي به نتايج رضايت بخش ، ميتواند دليلي اميدوارکننده براي استفاده از اين روش و توسعه آن در پيش بيني قيمت سهام باشد.
از موارد ذکرشده در بالا، مي توان سه ايراد اساسي در مدل ها و روش هاي پيش بيني آن ها گرفت : (١) تحليل گران بازار سهام و مديران صندوق ها، شاخص هاي تکنيکال متعددي را بر اساس تجربه شخصي خودشان به منظور پيش بيني روندهاي بازار سهام به کار مي برند که مي تواند منجر به قضاوت هاي مخدوش از علائم بازار شود؛ (٢) براي بيشتر روش هاي آماري ، برخي فرضيات در مورد متغيرهاي مورداستفاده در تحليل وجود دارد که نمي توان آن ها را در مورد ساير داده هايي که از آن توزيع هاي آماري پيروي نميکنند بکار برد؛ و (٣) شبکه عصبي مصنوعي يک روش جعبه سياه است و قواعدي که از آن استخراج مي شوند به راحتي قابل درک نمي باشند.
“An attempt to predict stock market data: a rough sets approach” Doctoral dissertation, Knowledge Systems Group, The Norwegian Institute of Technology, University of Trondheim.