کاربرد تئوری مجموعه‌های راف برای پیش‌بینی قیمت سهام (مطالعه موردی: بانک صادرات ایران)

سارنج, علیرضا; کریمی, تورج; شهرامی بابکان, مجید

doi:10.22051/jfm.2017.12680.1189

کاربرد تئوری مجموعه‌های راف برای پیش‌بینی قیمت سهام (مطالعه موردی: بانک صادرات ایران)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، قم، ایران،

² ستادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، قم، ایران

³ دانشجوی دکتری، دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، قم، ایران،

10.22051/jfm.2017.12680.1189

چکیده

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.

کلیدواژه‌ها

20.1001.1.23453214.1396.5.3.6.4

عنوان مقاله [English]

The Application of Rough Set Theory in Stock Price Forecasting (Case Study: Iran Saderat Bank)

نویسندگان [English]

Alireza Saranj ¹
Tooraj Karimi ²
Majid Shahrami Babakan ³

¹ tehran university- farabi

² tehran university- farabi

³ tehran university- farabi

چکیده [English]

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.

کلیدواژه‌ها [English]

Stock price forecasting
Rough set theory
Conditional and Decision Attributes
Data Discretization
Rules Extraction

مراجع

- فراهانی فرد. کامیار، قاسمیان لنگرودی. رضا، 1391، تحلیل تکنیکال در بازار سرمایه، آگاه، تهران، چ هشتم.

- کریمی. تورج، صادقی مقدم. محمدرضا، 1394، مجموعههای راف و مجموعههای خاکستری (مبانی، کاربرد، نرم‌افزار)، کتاب مهربان، تهران، چ دوم.

- Baltzersen, J. K. (1996). “An attempt to predict stock market data: a rough sets approach” Doctoral dissertation, Knowledge Systems Group, The Norwegian Institute of Technology, University of Trondheim.

- Bazan, J., Skowron, A., & Synak, P. (1994). “Market data analysis: A rough set approach“. ICS Research Reports, 6, 94.

- Cheng, C. H., Chen, T. L., & Wei, L. Y. (2010). “A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting”. Information Sciences, 180(9), 1610-1629.

- Dimitras, A. I., Slowinski, R., Susmaga, R., & Zopounidis, C. (1999). “Business failure prediction using rough sets” European Journal of Operational Research, 114(2), 263-280.

- Faerber, E. (1995). All about stocks: from the inside out. Irwin Professional Publishing.

- Dubois, D., & Prade, H. (1992). “Putting rough sets and fuzzy sets together”. Intelligent Decision Support. 203-232. Springer Netherlands.

- Farahani fard, K. & Ghasemian langroodi, R. (2012). Technical analysis of the financial markets, Agah, Tehran. 1-307. (In Persian).

- Golan, R. H., & Ziarko, W. (1995). “A methodology for stock market analysis utilizing rough set theory”. In Computational Intelligence for Financial Engineering, Proceedings of the IEEE/IAFE. 32-40.

- Golan, R., & Edwards, D. (1994). “Temporal rules discovery using datalogic/R+ with stock market data”. In Proceedings of the International Workshop on Rough Sets and Knowledge Discovery. 74-81.

- Greco, S., Cascio, S. L., & Matarazzo, B. (1996). “Rough set approach to stock selection: An application to the Italian market”. Modelling Techniques for Financial Markets and Bank Management. 192-211. Physica-Verlag HD.

- Greco, S., Matarazzo, B., & Slowinski, R. (1998). “A new rough set approach to evaluation of bankruptcy risk”. Operational tools in the management of financial risks. 121-136. Springer US.

- Greco, S., Matarazzo, B., & Słowinski, R. (1999). “Handling missing values in rough set analysis of multi-attribute and multi-criteria decision problems” International Workshop on Rough Sets, Fuzzy Sets, Data Mining, and Granular-Soft Computing. 146-157. Springer Berlin Heidelberg.

- Karimi, T. & Sadeghi moghadam, M. (2015). Rough sets and Grey sets, Ketab mehraban, Tehran. 1-159. (In Persian)

- Kim, K. J., & Han, I. (2000). “Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index”. Expert systems with Applications, 19(2), 125-132.

- Kim, M. J., Min, S. H., & Han, I. (2006). “An evolutionary approach to the combination of multiple classifiers to predict a stock price index”. Expert Systems with Applications, 31(2), 241-247.

- Krusińska, E., Slowinski, R., & Stefanowski, J. (1992). “Discriminant versus rough sets approach to vague data analysis”. Applied Stochastic Models in Business and Industry, 8(1), 43-56.

- Liang, W.Y., (2009). “Apply Rough Set Theory into the Information Extraction: The Application of the Clustering”. Fifth International Joint Conference on INC, IMS and IDC.

- Lin, T., & Tremba, J. (2000). “Attribute Transformations on Numerical Databases”. Knowledge Discovery and Data Mining. Current Issues and New Applications, 181-192.

- Nikolopoulos, C., & Fellrath, P. (1994). “A hybrid expert system for investment advising”. Expert Systems, 11(4), 245-250.

- Park, C. H., & Irwin, S. H. (2007). “What do we know about the profitability of technical analysis?”. Journal of Economic Surveys, 21(4), 786-826.

- Pawlak, Z. (1982). “Rough sets”. International Journal of Computer & Information Sciences, 11(5), 341-356.

- Pawlak, Z. (2002). “Rough sets and intelligent data analysis”. Information sciences, 147(1), 1-12.

- Pawlak, Z., & Skowron, A. (2007). “Rough sets and Boolean reasoning”. Information sciences, 177(1), 41-73.

- Pawlak, Z., & Skowron, A. (2007). “Rudiments of rough sets”. Information sciences, 177(1), 3-27.

- Richard, J. B., & Julie, R. D. (1999). Technical Market Indicators: Analysis & Performance. Canada: John Wiley and Sons Inc.

- Roh, T. H. (2007). “Forecasting the volatility of stock price index”. Expert Systems with Applications, 33(4), 916-922.

- Ruggiero, M. (1994). “Rules are made to be traded”. AI in Finance, 35-40.

- Ruggiero, M. (1994). “How to build a system framework”. Futures, 23(12), 50-56.

- Skalko, C. (1996). Rough sets help time the OEX. Journal of Computational Intelligence in Finance, 4(6), 20-27.

- Skowron, A. (1993). “Boolean reasoning for decision rules generation”. In International Symposium on Methodologies for Intelligent Systems. 295-305. Springer, Berlin, Heidelberg.

- Starzyk, J. A., Nelson, D. E., & Sturtz, K. (2000). “A Mathematical Foundation for Improved Reduct Generation in Information Systems”. Journal of Knowledge and Information Systems, Vol. 2, No. 2, 131-146.

- Suraj, Z. (2004). “An introduction to rough set theory and its applications”. ICENCO, Cairo, Egypt, 3, 80.

- Susmaga, R., Michalowski, W., & Slowinski, R. (1997). “Identifying regularities in stock portfolio tilting”, International Institute for Applied Systems Analysis. 1-22.

- Tay, F. E., & Shen, L. (2002). “Economic and financial prediction using rough sets model”. European Journal of Operational Research, 141(3), 641-659.

- Ziarko, W., Golan, R., & Edwards, D. (1993). “An application of datalogic/R knowledge discovery tool to identify strong predictive rules in stock market data”. In Proceedings of AAAI workshop on knowledge discovery in databases, Washington, DC. 89-101