استفاده از روش هیبرید انتخاب ویژگی و الگوریتم نزدیکترین همسایگی برای پیش‌بینی جهت حرکتی روزانه شاخص50 شرکت فعال‌تر بورس و اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

چکیده

پیش­بینی بازار سهام به علت پر سود بودن معاملات سهام همواره مورد توجه معامله­گران و سرمایه­گذاران می­باشد. یک معامله موفق سهام در خرید و یا فروش در نزدیکی نقاطی که روند قیمت تغییر می­یابد، اتفاق می­افتد. بنابراین پیش­بینی شاخص بازار سهام و تحلیل آن برای تشخیص اینکه آیا قیمت بسته شدن سهام در روز بعد افزایش خواهد یافت و یا کاهش، بسیار مهم است. در این پژوهش از روش طبقه­بندی نزدیکترین همسایگی بر پایه روش ترکیبی انتخاب ویژگی برای پیش­بینی جهت حرکتی شاخص 50 شرکت فعال ­تر بورس اوراق بهادار تهران استفاده شده است. این روش هیبرید انتخاب ویژگی، که ترکیبی از روش تجزیه و تحلیل اجزای اساسی و الگوریتم ژنتیک می­باشد از مزایای هر دو نوع روش پوشش دهنده و فیلترکننده انتخاب ویژگی، برای انتخاب یک زیرمجموعه بهینه از بین فضای کل ویژگی­ها برخوردار می­باشد. عملکرد روش ترکیبی پیشنهادی با روش­های متداول انتخاب ویژگی که عبارت است از: زنجیره­ اطلاعات، رلیف و روش آنالیز اجزای اساسی که جزو روش­های فیلتر هستند و روش الگوریتم ژنتیک که از خانواده روش­های پوشش­دهنده می­باشد، با استفاده از آزمون مقایسات زوجی مقایسه گردیده و نتایج حاصل نشان می­دهد که روش ترکیبی ارائه شده از عملکرد بالاتری نسبت به دیگر روش­های استفاده شده، در پیش­بینی جهت حرکتی روزانه شاخص 50 شرکت فعال­تر بورس اوراق بهادار تهران برخوردار می­باشد.

کلیدواژه‌ها


*    سینایی حسنعلی، مرتضویسعید الله، تیموری اصل یاسر. (1384)، پیش­بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه­های عصبی، بررسی های حسابداری و حسابرسی، سال دوازدهم، شماره41، صص 59-83.

*    عبادی، ا. (1388). "پیش­بینی قیمت شاخص کل سهام در بازار بورس تهران با استفاده از شبکه­های عصبی مصنوعی. پایان­نامه کارشناسی ارشد، دانشکده اقتصاد و علوم اجتماعی دانشگاه بوعلی سینا، همدان.

*       عبده تبریزی، حسین. جوهری، هادی. (1375). بررسی کارامدی شاخص بورس اوراق بهادار تهران، تحقیقات مالی، 3 (2):47-61.

*    فلاح­پور سعید، گل ارضی غلامحسین، فتوره چیان ناصر. (1392). پیش­بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه ژنتیک در بورس اوراق بهادار تهران، تحقیقات مالی، 15(2)، صص 269 -288.

*    هاشمی احمد. (1389). تاثیر فاکتورهای رفتاری بر پیش­بینی قیمت سهام با استفاده از مدل شبکه­های عصبی رگرسیونی جلوسو، پایان نامه کارشناسی ارشد. دانشکده صنایع دانشگاه علم و فرهنگ، تهران.

*    منجمی، سید امیر حسین، ابزری مهدی، رعیتی شوازی علیرضا.(1388). پیش­بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی مصنوعی. فصلنامه اقتصاد مالی، 6 (3)،1-26.

*    میرفیض فلاح شمس، دلنواز اصغری، بیتا. (1388)، پیش­بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی، فراسوی مدیریت، سال سوم، شماره 9، صص، 191-212.

*       Afolabi, M. O. Olude, O. (2007). "Predicting stock prices using a hybrid self organizing map (SOM)", In Proceedings of the 40th Hawaii international conference on system sciences (p.48).

*       Altman, N. S. (1992). "An introduction to kernel and nearest-neighbor nonparametric regression",The American Statistician, 46 (3), PP. 175–185.

*       Anna, B. (2007)."Should normal distribution be normal? The Student’s T alternative", ComputerInformation Systems and Industrial Management Applications, PP. 3–8.

*       Atsalakis, G. S., Valavanis, K. P. (2009). "Surveying stock market forecasting techniques – Part II: Softcomputing methodsT",Expert Systems with Applications, 36(3), PP. 5932–5941.

*       Bao, D. Yang, Z. (2008). "Intelligent stock trading system by turning point confirming and probabilistic reasoning",Expert Systems with Applications, 34, PP. 620–627.

*       Bollerslev, T. (1986), "Generalized autoregressive conditional heteroscedasticity", Journal of Econometrics, 31, PP. 307–327.

*       Box, G. Jenkins, G. (1976), "Time Series Analysis: Forecasting and Control, Holden-Day", San Francisco.

*       Cao, L. J. Tay, F. E. H. (2003), "Support vector machine with adaptive parameters infinancial time series forecasting",IEEE Transactions on Neural Networks, 14(6), PP. 1506–1518.

*       Dash, M. et al., (2002),"Feature selection for clustering – a filter solution", In Proceedings of the second international conference on data mining , PP. 115–122.

*       Dy, J. G.Brodley, C. E. (2000),"Feature subset selection and order identification for unsupervised learning". In Proceedings of the 17th international conference on machine learning, PP. 247–254.

*       Engle, R.F. (1982),"Autoregressive conditional heteroscedasticity with estimator of the variance of United Kingdom inflation", Econometrica, 50 (4), PP. 987–1008.

*       Fama, E. F. (1970),"Efficient capital markets: A review of theory and empirical work,Proceedings of the Twenty-Eighth Annual Meeting of the American Finance Association",Journal of Finance, 25(2), PP. 383–417.

*       GharehMohammadi, F. SanieeAbadeh, M. (2014)."Image steganalysis using a bee colony based feature selection algorithm". Engineering Applications of Artificial Intelligence, 31, PP. 35–43.

*       Hall, M. A. (2000),"Correlation-based feature selection for discrete and numeric class machine learning",In Proceedings of the 17th international conference on machine learning, PP. 359–366.

*       Huang, C. Yang, D. Chuang, Y. (2008)."Application of wrapper approach and composite classifier to the stock trend prediction", Expert System with Application, 34, PP. 2870–2878.

*       Kim, K. Han, I. (2000), "Genetic algorithms approach to feature discretization in artificial neural networks for prediction of stock index", Expert System with Application, 19, PP. 125–132.

*       Kim, H. Shin, K. (2007),"A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets",Applied Soft Computing, 7, 569–576.

*       Kimoto, T. Asakawa, K. Yoda, M.  Takeoka, M. (1990),"Stock market prediction system with modular neural network", in: Proceedings of the International Joint Conference on Neural Networks, San Diego, California, PP. 1–6.

*       Kohavi, R. John, G. H. (1997),"Wrappers for feature subset selection. Artificial Intelligence", 97(1–2), PP. 273–324.

*       Kwon, Y. Moon, B. (2007),"A hybrid neurogenetic approach for stock forecasting", IEEE Transactions on Neural Networks, 18(3), PP. 851–864.

*       Lawrence, S. Giles, C. L. Tsoi, A. C. (1997),"Lessons in neural network training: Overfitting may be harder than expected",In Proceedings of the fourteenth national conference on artificial intelligence, AAAl-97, PP. 540–545.

*       Los, C. A. (2000), "Nonparametric efficiency testing of Asian markets using weekly Data",Advances in Econometrics, 14, PP. 329–363.

*       Min, J. H. Lee, Y.-C. (2005),"Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters",Expert Systems with Applications, 28(4), PP. 603–614.

*       Nagarajan, V. Wu, Y. Liu, M., & Wang, Q. (2005),"Forecast studies for financial markets using technical analysis",In International Conference on Control and Automation (ICCA), PP. 259–264.

*       Nair, B.B., Mohandas, V.P. & Sakthivel, N.R. (2010). "A Genetic Algorithm Optimized Decision Tree-SVM based Stock Market Trend Prediction System", (IJCSE) International Journal on Computer Science and Engineering, 2 (9): 2981-2988.

*       Nanni, L. (2006),"Multi-resolution subspace for financial trading", Pattern Recognition Letters, 27, PP. 109–115.

*       Nikolopoulos, C. Fellrath, P. (1994),"A hybrid expert system for investment advising", Expert Systemswith applications, 11 (4), PP. 245–250.

*       Ni,L. g. Ni, Z. Gao, W. Y. (2011), "Stock trend prediction based on fractal feature selection and support vector machine", Expert Systems with Applications, 38, PP. 5569-5576.

*       Oreski, S, Oreski, D.Oreski, G. (2012),"Hybrid system with genetic algorithm and artificial neural networks and  its application to retail credit risk assessment", Expert systems with applications, 39(16), PP. 12605-12617

*       Sai, Y. Yuan, Z. (2007),"Mining stock market tendency by RS-based support vector machines",IEEE International Conference on Granular Computing, 659–664.

*       Shoaf, J. S. Foster, J. A. (1996),"A genetic algorithm solution to the efficient set problem: A technique for portfolio selection based on the Markowitz model", In Proceedings of the decision sciences institute annual meeting, Orlando, Florida, PP.571573.

*       Tan, T. Z. Quek, C. See, Ng. G. (2007),"Biological brain-inspired genetic complementarylearning for stock market and bank failure prediction",Computational Intelligence, 23(2), PP. 236- 261.

*       Teixeira, L.A. Oliveira.A .L. (2010), "A method for automatic stock trading combining technical analysis and nearest neighbor classification".Expert Systems with Applications, 37 (2010), PP. 6885–6890.

*       Tsai, C. F. Hsiao, Y. C. (2010),"Combining multiple feature selection methods for stock prediction: Union, intersection, and multi-intersection approaches", Decision Support Systems, 50, PP. 258-269.

*       Vanstone, B. Tan, C. (2003),"A survey of the application of soft computing to investment and financial trading",In Proceedings of the Australian and New Zealand intelligent information systems conference, PP. 211–216.

*       White, H. (1988),"Economic prediction using neural networks: A case of IBM daily stock returns". IEEE International Conference on Neural Networks, 2, PP. 451–458.

*       Yu, L. Liu, H., (2003), "Feature selection for high-dimensional data: A fast correlation-based filter solution",In Proceedings of the 20th international conference on machine learning, PP. 856–863.