طراحي يك مدل هوشمند جهت تعيين سيگنال هاي معاملات سهام با رويكرد داده كاوي

Designing a smart algorithm for determining stock exchange signals by data mining

يكي از مهمترين مسائل در بازارهاي مالي مدرن يافتن راه هاي كارآمد براي تلخيص و تجسم كردن اطلاعات بازار بورس مي‌باشد. با حجم انبوه از داده‌هايي كه در بازار بورس تهران در هر لحظه ايجاد مي‌گردد براي بررسي روابط ميان داده‌ها و دست يافتن به اطلاعات نهفته آنها كه تاثير قابل ملاحظه‌اي در تصميمات سرمايه-گذاران دارد به مدل‌هايي دست يافتيم. با استفاده از كلان داده‌هاي ارزشمند توليد شده توسط بازار سهام با استفاده از روش خوشه بندي افرازي و به كمك الگوريتم k-means به تعيين نقاط سيگنال معاملات سهام ‌پرداخته شده است. در اين پژوهش از داده هاي صنايع خودرو و فرآورده هاي نفتي طي سال 1387 تا 1396 كه با كمك بيست شاخص تكنيكي مدل سازي انجام پذيرفت. نتايج اين پژوهش نشان داد كه مدل مورد استفاده در شناسايي و پيش بيني سيگنال‌هاي فروش صادره در نقاط حداكثري داراي عملكرد قابل توجهي بوده و با دقت قابل قبولي قابل پيش بيني مي‌باشند. در واقع اين سيگنالها داراي خطاي كمتري بوده و بهتر پيش‌بيني گرديده است.

One of the most important problems in modern finance is finding efficient ways to summarize and visualize the stock exchange market. This research proposes a smart algorithm by means of valuable big data that is generated by stock exchange market and different kinds of methodology to present a smart model. In this paper, we investigate relationships between the data and access to their latent information with an enormous amount of data which has a significant impact on the investor’s decisions. First, extracting technical indicators from different point of the charts based on two groups of stock exchanges like petrochemical and automotive during 1387 to 1396, then analyzing clusters by means of k-means algorithm and data mining methodology. The contributions of this paper are: 1. To create a model with twenty technical indicators in different stock exchange companies and industries.2. To evaluate the proposed model and finally to predict the sales signals at the maximum points which has significant performance and can be predicted with acceptable accuracy.