تحلیل نوسان قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشگاه آزاداسلامی واحد تهران شهر قدس

2 دانشجوی دکتری دانشگاه آزاداسلامی واحد تهران شهر قدس

چکیده

نوسانات قیمت سهام که منجر به نوسانات بازده شرکت ها می گردد، یکی از مسائل مورد توجه بازار سرمایه و سرمایه گذاران می باشد. هدف این پژوهش، پیش بینی نوسان قیمت سهام در بازار سرمایه ایران با استفاده از روش یادگیری ماشین بردار ارتباطی می‌باشد. در این پژوهش در یک رویکرد دو مرحله، ابتدا از بین  اطلاعات مالی 1750 سال- شرکت و 31 متغیر اولیه متغیرهای تأثیرگذار بر نوسان قیمت سهام شناسایی شده است و با توجه به متغیر های انتخاب شده، اقدام به پیش بینی نوسان قیمت سهام شد. نتایج پژوهش نشان می‌دهد که الگوریتم غیرخطی ارتباطی در پیش بینی نوسان قیمت سهام با استفاده از متغیرهای حسابداری نسبت به الگوریتم ارتباطی خطی، توانایی بالاتری دارد. لذا به صاحبان سرمایه و تصمیم گیران شرکت توصیه می‌شود در تصمیم گیری‌های خود پیرامون سرمایه‌گذاری در بازار سرمایه از قدرت پیش بینی الگوریتم‌های هوش مصنوعی بویژه حالت غیر خطی الگوریتم ارتباطی استفاده کنند.

کلیدواژه‌ها


عنوان مقاله [English]

Analyzing fluctuations of stock prices of the companies listed in Tehran Stock Exchange Using the machine learning method

نویسندگان [English]

  • Shadi Shahverdiani 1
  • Samiran Khajezade 2
1 Assistant professor, Islamic Azad University, Shahr-e-Qods Branch
2 PhD candidate ,Islamic Azad University, Shahr-e-Qods Branch
چکیده [English]

The changes in stock prices result in volatility in returns of companies. Hence, these changes are stimulating issues for investors. The purpose of this research is to predict the fluctuation of stock prices in the Iranian stock market using the machine learning algorithm. In this two-step research, firstly, 31 variables influencing stock price volatility were extracted from the financial information of 1750 years of the company. Then,  stock price volatility was predicted in terms of selected variables using MATLAB software. The findings show that nonlinear communication algorithm using accounting variables has higher power in predicting stock price volatility than linear communication algorithm. Therefore, it is recommended that shareholders and corporates’ decision makers rely on the predictive power of artificial intelligence algorithms, especially the nonlinear mode of relevance vector machine (RVM), in decision making on investment in the stock market

کلیدواژه‌ها [English]

  • Stock price fluctuation
  • Relevance Vector Machine
  • Tehran Stock Exchange
 
 
-        ابراهیم پور کومله، حسین و پورذاکر عربانی، سودابه. (1393). استفاده از ابزار هوشمند شبکه عصبی مصنوعی در پیش­بینی قیمت بازار سهام به منظور توسعه بازار مالی سهام. اولین کنفرانس مهندسی برق، دانشگاه آزاد اسلامی واحد لنگرود.
-        بیگ‌زاده عباسی، امیرحسین؛ بیگ‌زاده عباسی، فرزانه و پورکیانی، مسعود. (۱۳۹۴). پیش‌بینی قیمت سهام با استفاده از الگوریتم ژنتیک شواهدی از بورس اوراق بهادار تهران. کنفرانس بین المللی پژوهش‌های نوین در مدیریت، اقتصاد و حسابداری، استانبول، موسسه مدیران ایده پرداز پایتخت ایلیا.
-        پاکرائی، احمد رضا. (1396). پیش‌بینی روند حرکتی قیمت سهام با استفاده از XCS مبتنی بر الگوریتم ژنتیک و یادگیری تقویتی. دانش مالی تحلیل اوراق بهادار، دوره 10، شماره 34: 54-39.
-         پورحیدری، امید. (1389). بررسی عوامل تعیین کننده تغییرات قیمت سهام در بورس اوراق بهادار تهران. بررسی­های حسابداری و حسابرسی، دوره 17، شماره 60: 40-23.
-        حاضری، ‌هاتف و نصیرزاده، سعیده. (۱۳۹۴). بررسی نوسانات قیمت سهام ناشی از تغییرات ارزش افزوده اقتصادی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران: رویکرد مدل‌های نوسان پذیر. سومین کنفرانس بین‌المللی پژوهش‌های نوین در مدیریت، اقتصاد و حسابداری، ترکیه - استانبول، موسسه سرآمد همایش کارین.
-        حمزه، داوود؛ خلیلی عراقی، مریم و پیکارجو، کامبیز. (1394). بررسی تاثیر عامل حساسیت سهامداران، ویژگی های سهام شرکت ها و اثر مومنتوم بر بازده سهام و عملکرد مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، دوره 8، شماره 28: 79-57.
-        حیدری‌زارع، بهزاد و کردلوئی، حمیدرضا. (1389). پیش‌بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی. فصلنامه مدیریت، شماره 17: 49-56 .
-        خسروآبادی، طاهره و اقبالی مقدم، محمد رضا. (1396). ﺗﺎﺛﯿﺮ ﻣﺤﺎﻓﻈﻪ ﮐﺎری ﺑﺮ ﺗﻐﯿﯿﺮات ﻗﯿﻤﺖ و ﻧﻮﺳﺎﻧﺎت وﺟﻮه ﻧﻘﺪ در ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان. پژوهش­های جدید در مدیریت و حسابداری، شماره 23: 257-241.
-        روشندل، رویا و امیری منش، مکیه. (1395). بررسی و مقایسه روش‌های داده کاوی در پیش‌بینی قیمت سهام. دومین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات.
-        زمانی، محسن؛ افسر، امیر؛ ثقفی‌نژاد، سیدوحید و بیات، الهام. (1393). سیستم خبره پیش‌بینی قیمت سهام و بهینه سازی سبد سهام با استفاده از شبکه‌های عصبی فازی. مهندسی مالی و مدیریت اوراق بهادار، شماره21 : 107-129.
-         سعیدی، پرویز؛ اسلامی مفیدآبادی، حسین و  خلیل‌زاده، سیدمحمدرضا. (1396). به بررسی تأثیر عوامل درونی بر تغییرات قیمت سهام شرکت‌های سرمایه‌گذاری پذیرفته شده در بورس اوراق بهادار تهران. پژوهش حسابداری، دوره 6، شماره 4، شماره پیاپی 24: 103-138.
-        طلوعی اشلقی، عباس و حق دوست، شادی. (1386). مدل سازی پیش‌بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی. نشریه پژوهشنامه اقتصادی، شماره 25: 237-252.
-    عبده تبریزی، حسین و جوهری، حسن. (1375). بررسی کارآمدی شاخص بورس اوراق بهادار تهران. فصلنامه تحقیقات مالی، 3(2): 61-47.
-        فلاح پور، سعید؛ گل ارضی، غلامحسین و فتوره چیان، ناصر. (1393). پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، 15(2): 269-288.
-         کاهانی، مریم؛ صالحی، مهدی و حمیدپور، کیانا. (1395). ارتباط بین محافظه کاری وتغییرات قیمت سهام در شرکتهای تولیدی دولتی. حسابداری دولتی، دوره 2، شماره 4: 46-37. 
-        کیانی ماوی، رضا و صیادی نیک، کامران. (۱۳۹۳). کاربرد الگوریتم های مختلف یادگیری در پیش بینی قیمت سهام با استفاده از شبکه عصبی. فصلنامه مدیریت توسعه و تحول، 6 (19).
-         مرادزاده فرد، مهدی؛ دارابی، رویا و شاه‌علی‌زاده، رامین. (1393). یکپارچه سازی تکنیک‌های هوش مصنوعی جهت ارائه مدل پیش‌بینی قیمت سهام. بررسی حسابداری مالی و حسابررسی، دوره 6، شماره 24: 89-102.
-        منجمی، سیدامیرحسین؛ ابزری، مهدی و رعیتی شوازی، علیرضا. (1388). پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه‌ی عصبی فازی و الگوریتم‌های ژنتیک و مقایسه‌ی آن با شبکه‌ی عصبی مصنوعی. فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)، دوره 6، شماره 3.
-         مهرآرا، اسداله؛ عطف، زهرا و عسگری، زهرا. (1391). تکنیک‌های داده کاوی در پیش‌بینی قیمت سهام بورس اوراق بهادار. کنفرانس ملی حسابداری، مدیریت مالی و سرمایه گذاری.
-        نصیرزاده، فرزانه و نیک‌روش، زهرا. (1392). ارزیابی توانایی مدل داده کاوی در پیش‌بینی قیمت سهام. یازدهمین همایش ملی حسابداری ایران.
 
-        Abde Tabrizi, H., & Joehari, A. (1996). The investigation of the efficiency of stock price index of TSE. Financial Research 3(2), 47-61 (in persian).
-        Bastianin, A., Conti, F., & Manera, M. (2016). The impacts of oil price shocks on stock market volatility: Evidence from the G7 countries. Energy Policy98, 160-169.
-        Bigzade Abbasi, A. H., Beyzadeh Abbasi, F., & Pourkani, M. (2015). Stock price forecast using evidence from the Tehran Stock Exchange using genetic algorithm. International Conference on Modern Research in Management. Economics and Accounting, Istanbul, Institute of Managers of Iliad Capital Capital Ideas. (in persian).
-        Ebrahimpour Kamaleh, H., & PourZakir, S. (2014). Using Artificial Neural Network Intelligent Instrument in predicting stock market price in order to develop stock market finance. First National Conference on Electrical Engineering, Islamic Azad University, Langrood Branch )in persian).
-        Enke, D., & Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications29(4), 927-940.
-        Fallahpour, S., Fatourechian, N., & Golazi, G. (2013). Prediction of stock price movement process using a support vector machine based on genetic algorithm in Tehran Stock Exchange. Financial Research, 15(2), 269-288 (In persian).
-        Hadavandi, E., Shavandi, H., & Ghanbari, A. (2010). Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems23(8), 800-808.
-        Hafezi, R., Shahrabi, J., & Hadavandi, E. (2015). A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price. Applied Soft Computing29, 196-210.
-        Hamzeh, D., Khalil Iraqi, M., & Peykarjo, K. (2015). Investigating the effect of shareholders sensitivity, companies’ structure and momentum effect on stock returns and financial performance of companies accepted in Tehran Stock Exchange Securities. Financial Knowledge of Securities Analysis, 8(28), 57-79) in persian).
-        Hazeri, H., & Nasirzadeh, S. (2015). Investigating stock price fluctuations due to changes in the economic value added of listed companies in Tehran Stock Exchange: the approach of volatile models. Third International Conference on Modern Research in Management, Economics and Accounting, Turkey-Istanbul, Institute of Excellence at Karin Conference (in persian).
-        Heydari Zare, B., & Kandlouei, H. R. (2010). Stock price prediction using artificial neural network. Management Quarterly Journal, 17, 49-56 (in persian).
-        Hsu, C. M. (2011). A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming. Expert Systems with Applications38(11), 14026-14036.
-        Hsu, S. H., Hsieh, J. P. A., Chih, T. C., & Hsu, K. C. (2009). A two-stage architecture for stock price forecasting by integrating self-organizing map and support vector regression. Expert Systems with Applications36(4), 7947-7951.
-        Kahani, M., & Salehi, M., Hamidpour, K. (2016). The relationship between conservatism and stock price changes in governmental manufacturing companies, Journal of Management and Economics, 4(4), 37-46 (In persian).
-        Khosrow Abadi, T., & Eghbali Moghadam, M. R. (2017). The effect of conservatism on price changes and cash fluctuations in Tehran Stock Exchange, New Research on Management and Accounting, 23(17), 241 - 257. (In persian).
-        Kiani Mavi, R., & Sayadi Nik, K. (2013). Application of different learning algorithms in stock price estimation using neural network. Development Management Magazine (Special Note), 81-75 (In persian).
-        Kim, J., & Liandong, Z. (2011). Corporate tax avoidance and stock price crash risk: Firm-level analysis, Journal of Financial Economics, 100(3), 639-662.
-        Kodithuwakku, M. S. (2016). Impact of firm specific factors on the stock prices: a case study on listed manufacturing companies in Colombo Stock Exchange. International Journal for Research in Business, Management and Accounting, 2(3), 67-76.
-        Mehrara, A., Aatef, Z., & Asgari, Z. (2012). Data mining techniques in predicting stock prices of stock exchanges. National Conference on Accounting, Financial Management and Investment. (in persian).
-        Mizuno, H., Kosaka, M., Yajima, H., & Komoda, N. (1998). Application of neural network to technical analysis of stock market prediction. Studies in Informatic and control7(3), 111-120.
-        Mongami, S. A. H., Abzery, M. & Rezaei Shavazi, A. (2009). Stock price prediction in the stock market using Fuzzy Neural Network and Genetic Algorithms and comparing it with the artificial neural network. Quarterly Journal of Quantitative Economics (Ex-Economic Reviews), 6(3). (in persian).
-        Moradzadeh Fard, M., Darabi, R., & Shahalizadeh, R. (2015). Integration of artificial intelligence techniques to provide stock price prediction model. Financial Accounting and Accountability, 6(24), 89-102 (in persian).
-        Nasirzadeh, F., & Nikravesh, Z. (2013). Evaluating the ability of the data mining model to predict stock prices. 11th National Accounting Conference of Iran. (in persian).
-        Padmakumari, L., & Maheswaran, S. (2017). A new statistic to capture the level dependence in stock price volatility. The Quarterly Review of Economics and Finance65, 355-362.
-        Pakraei, A. R. (2017). Predict the trend of stock prices using XCS based on genetic algorithms and reinforcement learning. Financial Knowledge of SecuritiesAnalysis, 10(34), 39-54 (In persian).
-        Pourheidari, O. (2010). Investigating the determinants of stock price changes in Tehran Stock Exchange. Accounting and Auditing, 17(60), 23-40 (in persian).
-        Roshandel, R., & Amiri Manesh M. (2016). Review and compare data mining methods in predicting stock prices. Second National Conference on Computer Science and Information Technology (in persian).
-        Saeedi, P., Eslami Mofid, H., & Khalilzadeh, M. R.  (2017). the investigation of the effect of internal factors on the changes of stock price of investment companies listed in Tehran Stock Exchange. Accounting Research, 6(4), 103-138 (in persian).
-        Shah, V. H. (2007). Machine learning techniques for stock prediction. Foundations of Machine Learning, Spring, 1-19.
-        Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research1(Jun), 211-244.
-        Toluji Ashleghi, A., & Haghdoust, S. (2007). Modeling stock price prediction using neural network and comparing it with mathematical prediction methods. Journal of Economic Research, 25, 237-252 (in persian).
-        Vapnik, V. (1995). The nature of statistical learning theory. Springer science & business media.
-        Yaacob, N. M., & Ahmad, A. (2011). IFRS adoption and audit timeliness: Evidence from Malaysia. The Journal of American Academy of Business17(1), 112-118.
-        Yang, Y. L., & Chang, C. L. (2008). A double-threshold GARCH model of stock market and currency shocks on stock returns. Mathematics and Computers in Simulation79(3), 458-474.
-        Yu, L., Wang, S., & Lai, K. K. (2008). Neural network-based mean–variance–skewness model for portfolio selection. Computers & Operations Research35(1), 34-46.
-        Zamani, M., Afsar, A., Saghafinejad, S. V., & Bayat, E. (2014). Expert system stock price forecasting and stock optimization using fuzzy neural networks, fuzzy modeling and genetic algorithms. Journal of Financial Engineering and Management of Securities Bahadur, 21, 107-128 (in persian).