خلاصة:
هدف: تئوری موج الیوت، از ابزارهای تحلیل تکنیکال و مبتنی بر روانشناسی افراد است که در سالهای اخیر به ابزار مهمی برای تحلیلگران و سرمایهگذاران تبدیل شده است. این تئوری، در تمام بازارهای مالی، بهخصوص بازار سهام، وجود دارد که از آن استقبال عمومی شده و با حرکت تودهای همراه است. این پژوهش، برگرفته از این نظریه، در پی این هدف است که آیا از طریق نوساننمای موج الیوت و الگوریتمهای یادگیری ماشین از نوع دارای نظارت و طبقهبندی، میتوان روند آتی بازار سهام ایران را پیشبینی کرد؟
روش: در این پژوهش، ابتدا دادههای شاخص کل، بهعنوان دماسنج اقتصاد و نمایانگر وضعیت کلی بازار سهام ایران از تاریخ 25/02/1387 تا 05/09/1399 بهطور روزانه بررسی شد و با استفاده از نوساننمای موج الیوت و شاخص قدرت حرکت، حرکات جنبشی و اصلاحی شناسایی و به سه دسته خرید، فروش و نگهداری برچسبگذاری شدند. سپس، خروجی این مرحله به سه الگوریتم یادگیری ماشین شامل درخت تصمیم، بیز ساده و ماشین بردار پشتیبان داده شد تا برای یادگیری و پس از آن، پیشبینی روند روی دادههای آزمون، آزمایش شوند.
یافتهها: نتایج نشان داد که در شاخص بورس اوراق بهادار تهران، شناسایی امواج الیوت امکانپذیر است و الگوریتمهای ماشین بردار پشتیبان و درخت تصمیم، قادرند، روند شاخص کل را برای آینده با دقت بالای 90 درصد پیشبینی کنند.
نتیجهگیری: در بازار سرمایه ایران نمودار شاخص کل رفتار الیوتی رعایت شده و تمامی افراد فعال در بورس تهران، میتوانند از روش پیشنهادی برای سیستم معاملاتی خود بهره ببرند.
Objective: Elliott wave theory is one of the tools of technical analysis based on the psychology of individuals; which in recent years has become an important tool for analysts and investors. This theory exists in all financial markets, especially the stock market, which is widely welcomed and popular. Based on this theory, this study seeks to determine the future trend of the Iranian stock market through Elliott wave oscillators and machine learning algorithms supervised and classification. Methods: Total index data from 2008-05-14 to 2020-11-25 were reviewed daily and Elliott wave patterns were identified using the Elliott wave oscillator and relative motion strength index and labeled into three categories: LONG, SHORT, and HOLD. Machine learning algorithms include Decision tree, Naive Bayes, Support vector machine to repeat these learning patterns, then tested on test data. Results: The results showed that in the Tehran Stock Exchange index, identifiable Elliott waves and Support vector machine and Decision tree algorithms are able to predict the future trend of the total index with an accuracy of over 90 percent. Conclusion: In the Iranian capital market, the chart of the Elliott Behavior Index is observed and all active persons in the Tehran Stock Exchange can use the proposed method for their trading system.