مدلسازی هم‌حرکتی سهام در بورس اوراق بهادار تهران با استفاده از رویکرد خوشه‌بندی سه‌مرحله‌ای

نوع مقاله : علمی - پژوهشی

نویسندگان

1 * استادیار گروه مدیریت مالی و مهندسی مالی دانشکده علوم مالی، عضو هیات علمی دانشگاه خوارزمی

2 ** دکترای مدیرت مالی، دانشگاه تهران.

3 *** کارشناسی ارشد مهندسی مالی، موسسه آموزش عالی غیرانتفاعی خاتم (نویسنده مسئول).

چکیده

 چکیده     خوشه­بندی به‌عنوان یکی از روش­های داده­کاوی توصیفی، روشی برای گروه­بندی مشاهده‌ها به k خوشه (گروه) مختلف است. خوشه­بندی بازار سهام، اطلاعات سودمندی را جهت پیش­بینی تغییرات قیمت سهام شرکت‌های مختلف در اختیار سرمایه­گذاران شخصی و متخصصان مالی قرار می­دهد. در سال­های اخیر، خوشه‌بندی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار براساس شباهت در روند حرکتی یا به‌عبارتی شکل بازار آن‌ها، مورد توجه قرار گرفته است. رویکردهای موجود خوشه­بندی، نتایج خوبی برای این روند ارائه نمی­دهند؛ زیرا داده­های مربوط به قیمت سهام شرکت­ها داده­های سری­زمانی مالی هستند که دارای ابعاد زیاد است و تغییرات در این داده­ها، معمولا با شیفت­های زمانی همراه است. این ویژگی­ها، خوشه­بندی شرکت­ها براساس روند حرکتی قیمت سهام آن‌ها را بسیار پیچیده کرده است. از طرفی در بین روش­های موجود، روشی برای خوشه­بندی بازار سهام که بتواند شرکت­ها را به زیرخوشه­هایی که حاوی اطلاعات مفید برای استفاده‌کننده نهایی است، تقسیم کند وجود ندارد. در تحقیق حاضر، روش خوشه­بندی سه­مرحله­ای برای خوشه­بندی شرکت­های موجود در بورس اوراق بهادار، براساس شباهت در روند حرکتی قیمت سهام شرکت­ها، مورد استفاده قرار گرفته است. در مرحله اول، کاهش ابعاد داده­ها صورت گرفته است و خوشه­بندی تقریبی شرکت­ها انجام می­شود. سپس در مرحله دوم، خوشه‌های ایجاد شده در مرحله قبل، به زیرخوشه­های با کیفیت و دقت بیشتر تقسیم می­شوند. در نهایت، زیر‌خوشه­های ایجاد شده، در مرحله سوم ادغام و خوشه­های نهایی ارائه می­شود. مدل ارائه شده، با استفاده از روش مجموع مربعات خطا مورد ارزیابی قرار می­گیرد. نتایج تحقیق نشان می‌دهد روش خوشه‌بندی سه مرحله‌ای در مقایسه با سایر الگوریتم­های خوشه­بندی مرسوم از نظر اثربخشی و کیفیت، عملکرد بهتری دارد

کلیدواژه‌ها


  1. . ایزد‌پرست، محمد. (1390). دسته‌بندی مشتریان بیمه با استفاده از داده‌کاوی، دانشگاه پیام نور تهران. ماهنامه تازه‌های جهان بیمه. شماره 161.
  2. ایمانی، محسن. (1391). خوشه‌بندی متون فارسی، پایان نامه کارشناسی ارشد، دانشکده مهندسی کامپیوتر. دانشگاه صنعتی شریف.
  3. رادمهر، فرزاد، و علم الهدائی، سید حسن (1393). خوشه‌بندی ابزاری برای آنالیز داده‌ها در مطالعات کمی و آمیخته. روش‌ها و مدل‌های روانشناختی، سال چهارم، شماره پانزدهم، ص 36-13.
  4. شیری. (1385). مقدماتی بر خوشه‌بندی. جزوه درسی یادگیری ماشین. دانشگاه صنعتی امیرکبیر، از http://www.aut.ac.ir/shiry/clustering.html.
  5. فرید، داریوش، و پورحمیدی، مسعود (1391). بخش‌بندی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تحلیل خوشه‌ای فازی. مجله حسابداری مالی، سال چهارم، شماره سوم، شماره پیاپی (13)، 105-128.
  6. فرید، سارا. (1386). گروه‌بندی سهام با استفاده از شبکه‌های عصبی خود سازنده. پایان نامه کارشناسی‌ارشد. دانشکده مدیریت و اقتصاد. دانشگاه صنعتی شریف.
  7. قاضی کلهرودی، سروش. (1385). بررسی هم‌حرکتی بین قیمت‌های سهام با استفاده از تئوری پیچیدگی در یک بازار سهام. پایان نامه کارشناسی ارشد. دانشکده مدیریت و اقتصاد. دانشگاه صنعتی شریف.
  8. قالیباف اصل، حسن، و محمدی، شاپور، و مظاهری، پگاه (1391). بررسی هم‌حرکتی بازار سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدلAPT. پژوهش‌های مدیریت در ایران، دروه 16، شماره1، 93-106.
  9. عبدی، جعفر. (1389). بررسی ارتباط بین بازار‌های سهام تهران و دبی. پایان‌نامه کارشناسی ارشد. دانشکده مدیریت و اقتصاد. دانشگاه صنعتی شریف.
  10. Aghabozorgi, E., & Wahthe, Y. (2014). Stock market co-movement assessment using a three-phaseclustering method. Expert systems with Applications, 41, 1301-1314.
  11. Antoniou, A. (2003). Modeling international price relationships an interdependencies-between the stock index and stock index futures markets of three EU countries: A multivariate. Journal of Business, Finance and Accounting, 30, 645–667.
  12. Bagnall, A. J., & Janacek, G. (2005). Clustering time series with clipped data. Machine Learning, 58(2), 151–178.
  13. Bao, D. (2007). A generalized model for financial time series representation and prediction. Applied Intelligence, 29(1), 1–11.
  14. Collins, D., & Biekpe, N. (2003). Contagion and interdependence in African stock markets. South African Journal of Economics, 71(1), 181–194.
  15. Chu, S., Keogh, E. J., Hart, D., & Pazzani, M. J. (2002). Iterative deepening dynamic time warpingfor time series. In Second SIAM international conference on data mining, 195–212.
  16. Dutt, P., & Mihov, I. (2013). Stock market co-movements and industrial structure. Journal of Money, Credit and Banking, 45(5), 891–911.
  17. Kaufman, L., & Rousseeuw, P. J. (2005). Finding groups in data: an imtroduction to cluster analysis. Hoboken, NJ: Wiley.
  18. Keogh, E., & Kasetty, S. (2003). On the need for time series data mining benchmarks: A survey and empirical demonstration. Data Mining and Knowledge Discovery, 7(4), 349–371.
  19. Keogh, E., & Ratanamahatana, C. (2004). Exact indexing of dynamic time warping. Knowledge and Information Systems, 7(3), 358–386.
  20. Liao, S., & Chou, S. (2013). Data mining investigation of co-movements on the Taiwan and China stock markets for future investment portfolio. Expert Systems with Applications, 40(5), 1542–1554.
  21. Lin, J., Keogh, E., Lonardi, S., & Chiu, B. (2003). A symbolic representation of time series, with implications for streaming algorithms. In Proceedings of the 8th ACM SIGMOD workshopon research issues in data mining and knowledge discovery – DMKD’03, 2.
  22. Lin, J., Keogh, E., Wei, L., & Lonardi, S. (2007). Experiencing SAX: A novel symbolic representation of time series. Data Mining and Knowledge Discovery, 15(2), 107–144. http://dx.doi.org/10.1007/s10618-007-0064-z.
  23. Liu, W., & Shao, L. (2009). Research of SAX in distance measuring for financial time series data. In First international conference on information science and engineering. (pp. 935–937).fIEEE.
  24. Masih, A., & Masih, R. (2001). Dynamic modeling of stock market interdependencies: an empirical investigation of Australia and the Asian NICs. Review of Pacific Markets and Policies, 4(2), 1323–9244.
  25. Muhammad, M. M., & Marteau, P. F. (2013). Towards a faster symbolic aggregate approximation method. http:// www.arxiv.org/abs/1301-5871.
  26. Nanda, S., Mahanty, B., & Tiwari, M. (2010). Clustering Indian stock market data for portfolio management. Expert Systems with Applications, 37(12), 8793–8798.
  27. Ratanamahatana, C. (2005). Multimedia retrieval using time series representation andrelevance feedback. In Proceedings of 8th international conference on asian digital libraries (ICADL2005) (pp. 400–405).
  28. Torras, Q. (2011). Dynamic Time Warping. Journal Club.