كاربرد تئوري مجموعه‌هاي راف براي پيش‌بيني قيمت سهام (مطالعه موردي: بانك صادرات ايران)

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

در این پژوهش روشی مبتنی بر تئوری مجموعه‌های راف و با استفاده از شاخص‌های تحلیل تكنیكی جهت پیش‌بینی قیمت سهام ارائه شده است. تئوری مجموعه‌های راف دارای مزایای متعددی است كه مهمترین مزیت آن در تحلیل داده‌ها این است كه به هیچگونه اطلاعات اضافی اولیه در مورد داده‌ها نیاز ندارد. در مدل پیشنهادی، تعدادی از شاخص‌های تكنیكال برای داده‌های مربوط به بانك صادرات ایران در طول یك 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 ذكر است كه با استفاده از آنالیز ماتریس همبستگی، شاخص‌های با بیشترین همبستگی با مشخصه تصمیم انتخاب می‌گردند. سپس با استفاده از تئوری مجموعه‌های راف و تركیب روش‌های مختلف گسسته‌سازی داده‌ها و تولید بی زائده بر اساس داده‌های یادگیری، قواعد پیش‌بینی استخراج و قدرت پیش‌بینی روش‌های مختلف بر اساس داده‌های كنترل محاسبه شد. در این مطالعه داده‌های شش سال متوالی (یعنی 05/05/1388 لغایت 24/04/1394 بانك 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 آشكار می‌نماید. مقایسه نتایج حاصل از اعمال روش‌ها بر روی داده‌های مربوطه نشان می‌دهد كه 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 امیدواركننده برای استفاده از این روش و توسعه آن در پیش‌بینی قیمت سهام باشد.

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.