پیش بینی روند بورس سهام ایران با استفاده از نوسان موج الیوت و شاخص قدرت نسبی

  • 2022-07-30

1 کاندیدای دکترا ، گروه حسابداری ، دانشکده علوم انسانی ، شعبه کرمانشاه ، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران.

2 ، دستیار پروفسور ، گروه حسابداری ، دانشکده علوم انسانی ، شعبه کرمانشاه ، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران.

3 دستیار پروفسور ، گروه حسابداری ، دانشکده علوم انسانی ، شعبه کرمانشاه ، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران.

4 دستیار پروفسور ، گروه رایانه ، دانشکده مهندسی ، شعبه حمادان ، دانشگاه آزاد اسلامی ، همادان ، ایران.

چکیده

هدف: نظریه موج الیوت یکی از ابزارهای تحلیل فنی مبتنی بر روانشناسی افراد است. که در سالهای اخیر به ابزاری مهم برای تحلیلگران و سرمایه گذاران تبدیل شده است. این تئوری در کلیه بازارهای مالی ، به ویژه بازار سهام وجود دارد که به طور گسترده مورد استقبال و محبوبیت قرار می گیرد. بر اساس این تئوری ، این مطالعه به دنبال تعیین روند آینده بازار سهام ایران از طریق نوسان سازهای موج الیوت و الگوریتم های یادگیری ماشین است که تحت نظارت و طبقه بندی قرار گرفته است. مواد و روش ها: داده های کل شاخص از 2008-05-14 تا 2020-11-25 روزانه مورد بررسی قرار گرفت و الگوهای موج الیوت با استفاده از نوسان ساز موج الیوت و شاخص قدرت حرکت نسبی مشخص شد و به سه دسته برچسب گذاری شد: طولانی ، کوتاه و نگهدارنده. الگوریتم های یادگیری ماشین شامل درخت تصمیم ، خلیج های ساده لوح ، دستگاه بردار پشتیبانی برای تکرار این الگوهای یادگیری ، سپس بر روی داده های آزمون آزمایش می شوند. نتایج: نتایج نشان داد که در شاخص بورس اوراق بهادار تهران ، امواج الیوت قابل شناسایی و دستگاه بردار پشتیبانی و الگوریتم های درخت تصمیم گیری قادر به پیش بینی روند آینده شاخص کل با دقت بیش از 90 درصد هستند. نتیجه گیری: در بازار سرمایه ایران ، نمودار شاخص رفتار الیوت مشاهده می شود و همه افراد فعال در بورس اوراق بهادار تهران می توانند از روش پیشنهادی برای سیستم معاملاتی خود استفاده کنند.

کلید واژه ها

  • روند را پیش بینی کنید
  • تجزیه و تحلیل فنی
  • نظریه موج الیوت
  • الگوریتم طبقه بندی

20. 1001. 1. 10248153. 1400. 23. 1. 7. 6

منابع

Afsharirad ، E. ، Alavi ، S. E. ، Sinaei ، H. (2018). تهیه یک مدل هوشمند برای پیش بینی روند سهام با استفاده از تجزیه و تحلیل فنی. مجله تحقیقات مالی ، 20 (2) ، 249-264.

Aggarwal ، C. C. (2014). طبقه بندی داده ها: الگوریتم ها و برنامه ها. مینیاپولیس ، مینه سوتا ، ایالات متحده: چاپمن و هال/ CRC.

Atsalakis ، G. ، & Valavanis ، K. A. (2009). پیش بینی روندهای کوتاه مدت بازار سهام با استفاده از یک روش مبتنی بر عصبی فازی. مجله سیستم های خبره با برنامه ها ، 36 ، 10696-10707.

Chambers ، L. (2016). پیش بینی حرکت روزانه سهام با استفاده از و ادغام سه مدل پیش بینی تحلیلی از سیستم استنتاج القایی تطبیقی-فازی. شبکه های عصبی مصنوعی و ماشینهای وکتور پشتیبانی. لندن ، چمپان و هال.

Fakhari ، H. Valipour Khatir ، M. & Mousavi ، M. (2017). بررسی عملکرد شبکه عصبی بیزی و لونبرگ مارکارد در مقایسه مدلهای کلاسیک در پیش بینی قیمت سهام. مجله تحقیقات مالی ، 19 (2) ، 229-318.( به فارسی )

Fallahpour ، S. ، Golzarzi ، GH. و Fatorehchian ، N. (2013). پیش بینی روند قیمت سهام با استفاده از دستگاه بردار پشتیبانی بر اساس الگوریتم ژنتیکی در بورس اوراق بهادار تهران. تحقیقات مالی ، 15 (2) ، 288-269.( به فارسی )

Farid ، D. M. ، Zhang ، L. ، Rahman ، C. M. ، Hossain ، M. A. ، & Strachan R. (2014). درخت تصمیم گیری ترکیبی و طبقه بندی کننده های ساده لوح برای کارهای طبقه بندی چند طبقه. سیستم های خبره با برنامه های کاربردی ، 41 (4) ، 1937-1946.

Ford ، N. ، Batchelor ، B. ، & Wilkins ، B. R. (1970). یک طرح یادگیری برای نزدیکترین طبقه بندی کننده همسایه. علوم اطلاعات ، 2 (2) ، 139-157.

جورج ، س. ، امانویل ، م و قسطنطنین D. (2011). تئوری الیوتوواس و سیستم های عصبی فازی ، در پیش بینی بازار سهام ، سیستم WASP ، سیستم های متخصص با برنامه ها ، 38 (8) ، 9196-9206.

گولامی ، الام ، داوودی ، محمد رضا.(2018). پیش بینی روند قیمت در بورس با استفاده از یک الگوریتم جنگل تصادفی. مجله مهندسی مالی و مدیریت اوراق بهادار ، شماره 35 / تابستان.( به فارسی )

اسماعیلی ، م. (2012). مفاهیم و تکنیک های داده کاوی. چاپ اولتهران: انتشارات نیاز دانش. 20-30( به فارسی )

Khan ، W. ، Malik ، U. ، Mustansar ، A. GH. ، Awais Azam ، M. (2019). پیش بینی روند بازار سهام با استفاده از الگوریتم های یادگیری ماشین از طریق احساسات عمومی و تجزیه و تحلیل وضعیت سیاسی ، محاسبات نرم ، 24 ، 11019-11043. https://doi. org/10. 1007/s00500-019-04347-y.

لارسون ، ج. (1931). انقباض ضریب همبستگی های متعدد. مجله روانشناسی آموزشی ، 22 (1) ، 45-55.

Liu ، C. ، Wang ، J. ، Xiao ، D. ، & Liang ، Q. (2016). پیش بینی شاخص سهام S&P 500 با استفاده از مدلهای یادگیری آماری. مجله باز آمار ، 6 (06) ، 1067.

ماسری ، م. (2017). تأثیر تجزیه و تحلیل فنی بر بازده سهام در یک کشور در حال ظهور سرمایه (ECM¡¯) کشور: مطالعه نظری و تجربی. مجله بین المللی اقتصاد و دارایی ، 9 (3) ، 91-107.

مورفی ، جی. (2018). تجزیه و تحلیل فنی در بازارهای سرمایه..( به فارسی )

Peymany Foroushany ، M. ، Erzae ، M. H. ، Salehi ، M. ، & Salehi ، A. (2020). معاملات بر اساس نمودارهای شمعدانی در بورس اوراق بهادار تهران باز می گردند. مجله تحقیقات مالی ، 22 (1) ، 69-89.( به فارسی )

Pourzamani ، Z. ، Rezvani Aghdam ، M. (2017). مقایسه مقایسه اثربخشی استراتژی های تجزیه و تحلیل فنی ترکیبی با روش های خرید و نگه داشتن برای خرید سهام در صعودها و نردبان ها. فصلنامه تحقیقات مالی در تجزیه و تحلیل اوراق بهادار ، 10 (33).( به فارسی )

Rish ، I. (2001). یک مطالعه تجربی از طبقه بندی کننده ساده لوح بیز. در IJCAI 2001. کارگاه روشهای تجربی در هوش مصنوعی ، 3 (22) ، 41-46.

روبرتو سرولوو-رویو ، فرانسیسکو گیجار.(2020). پیش بینی روند بورس سهام: مقایسه الگوریتم های یادگیری ماشین ، بازارها و ارزیابی ، 6 ، 37-49.

شهرابادی ، ا. ، بشیری ، ن. (2010). مدیریت سرمایه گذاری در بورس اوراق بهادار تهران ، بورس اوراق بهادار و سازمان اوراق بهادار.( به فارسی )

استون ، م. (1974). انتخاب و ارزیابی اعتبارسنجی متقابل پیش بینی های آماری. مجله انجمن آمار سلطنتی ، 36 (2) ، 111-133.

Tabar ، S. (2018). پیش بینی بازار سهام با استفاده از تئوری و طبقه بندی موج الیوت. دانشکده دانشکده تحصیلات تکمیلی در دانشگاه نبراسکا در تحقق جزئی الزامات. درجه دکتر فلسفه عمده: فناوری اطلاعات اوماها.

Tsaih ، R. ، Hsu ، Y. and Lai ، C. C.(1998). پیش بینی آتی شاخص سهام S&P 500 با یک سیستم هوش مصنوعی ترکیبی. سیستم های پشتیبانی تصمیم گیری ، 23 (2) ، 161-174.

واگنر ، L. D. (1979). مرزهای عملکرد بدون توزیع برای قوانین عملکرد بالقوه. معاملات IEEE در تئوری اطلاعات ، 601-604.

وانگ ، L. X.(2012). تجزیه و تحلیل تجربی از تئوری موج الیوت در بازار آینده چین ، سرمایه گذاری خارجی چین ، 4 ، 253-254.

Yang ، H. ، Chan ، L. ، & King ، I. (2002). رگرسیون دستگاه بردار پشتیبانی برای پیش بینی بازار سهام بی ثبات. کنفرانس بین المللی مهندسی داده های هوشمند و یادگیری خودکار. منچستر ، انگلیس.

Yu ، G. ، & Wenjuan ، G. (2010). روش درخت تصمیم در تجزیه و تحلیل مالی شرکتهای لجستیکی ذکر شده. کنفرانس بین المللی فناوری محاسبات هوشمند و اتوماسیون.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.