مقایسه درختان تصمیم و قوانین انجمن برای انتظارات بازار سهام در BIST100 و BIST30

با افزایش شکنندگی مالی ، روش هایی برای پیش بینی داده های مالی به طور مؤثر مورد نیاز است. در این مطالعه ، دو فن آوری پیشرو در مورد داده کاوی ، تجزیه و تحلیل طبقه بندی و استخراج قانون ارتباط ، برای مدل سازی سهام بالقوه موفق و پرخطر در فهرست BIST 30 و شاخص BIST 100 بر اساس متغیرهای اصلی نام شاخص ، ارزش شاخص و قیمت سهام اجرا شده است. بشرطبقه بندی و درخت رگرسیون (CART) برای طبقه بندی استفاده می شود و از آپریوری برای تجزیه و تحلیل ارتباط استفاده می شود. مجموعه داده های مطالعه مقادیر بسته شدن ماهانه را در طی سالهای 2013-2019 پوشش داده است. الگوریتم Apriori همچنین تقریباً تمام قوانین طبقه بندی تولید شده با الگوریتم سبد خرید را بدست آورد. با تأیید دو تکنیک داده کاوی امیدوار ، قوانین پیشنهادی تصمیم گیرندگان را در تصمیمات سرمایه گذاری خود راهنمایی می کنند. با ارائه سیگنال های هشدار دهنده زود هنگام از سهام خطرناک ، می توان از این قوانین برای به حداقل رساندن سطح ریسک و محافظت از تصمیم گیرندگان در تصمیم گیری های خطرناک استفاده کرد.

شرح حال

گورکم آتامان ، دانشگاه یاسار

اداره بازرگانی

Serpil Kahraman ، دانشگاه Yasar

گروه اقتصادی

منابع

Agrawal ، R. ، Imieliński ، T. ، & Swami ، A. (1993). قوانین انجمن معدن بین مجموعه موارد در پایگاه داده های بزرگ. رکورد SIGMOD ، 22 (2) ، 207-216. http://dx. doi.org/10. 1145/170036. 170072

Agrawal ، R. ، & Srikant ، R. (1994). الگوریتم های سریع برای قوانین انجمن معدن در بانکهای اطلاعاتی بزرگ. مقاله ارائه شده در مجموعه مقالات بیستمین کنفرانس بین المللی در پایگاه های داده بسیار بزرگ.

Akerlof ، G. A. (1970). بازار "لیمو": کیفیت ، عدم اطمینان و مکانیسم بازار. فصلنامه اقتصاد ، 84 (3) ، 488-500. http://dx. doi.org/10. 2307/1879431

Albayrak ، A. S. ، & Koltan Yılmaz ، ş.(2009). veri madenciliği karar ağacı algoritmaları ve ̇mkb verileri üzerine bir uygulama. SULEYMAN DEMIREL UNIVERITESI IKTISADI VE IDARI BILIMLER FAKULTESI DERGISI ، 14 (1) ، 31-52.

Angeletos ، G.-M. ، Huo ، Z. ، & Sastry ، K. A. (2020). انتظارات کلان اقتصادی ناقص: شواهد و نظریه. سریال مقاله کار تحقیقات اقتصادی دفتر ملی ، 27308. http://dx. doi.org/10. 3386/w27308

Bastı ، E. ، Kuzey ، C. ، & Delen ، D. (2015). تجزیه و تحلیل عملکرد کوتاه مدت پیشنهادات عمومی با استفاده از درختان تصمیم گیری و SVM. سیستم های پشتیبانی تصمیم گیری ، 73 ، 15-27. http://dx. doi.org/10. 1016/j. dss. 2015. 02. 011

Bhasin ، M. L. (2006). داده کاوی: یک ابزار رقابتی در صنایع بانکی و خرده فروشی. حسابدار منشور ، 588-594.

Bhide ، A. (1993). هزینه پنهان نقدینگی بازار سهام. مجله اقتصاد مالی ، 34 (1) ، 31-51. http://dx. doi.org/10. 1016/0304-405x(93)90039-e

Bordalo ، P. ، Geaioili ، P. ، La Porta ، R. ، & Shleifer ، A. (2019). انتظارات تشخیصی و بازده سهام. مجله مالی ، LXXIV (6) ، 2839-2874. http://dx. doi.org/10. 1111/jofi. 12833

Borsa Stantanbul.(2019a). شاخص های سهام سهام BIST قوانین زمینی. برگرفته از https://www. borsaistanbul.com/en/sayfa/3621/equity-market-data

Breiman ، L. ، Friedman ، J. H. ، Olshen ، R. A. ، & Stone ، C. J. (1984). طبقه بندی و درختان رگرسیون: چاپمن و هال/CRC.

Cao ، Y. (2021). استفاده از الگوریتم های یادگیری ماشین در پیش بینی ریسک بازار مالی. مقاله ارائه شده در کنفرانس بین المللی یادگیری ماشین و تجزیه و تحلیل داده های بزرگ برای امنیت IoT و حریم خصوصی

Chen ، Y. ، Mo ، D. ، & Zhang ، F. (2022). پیش بینی بازار سهام با استفاده از وزنه برداری وزنه بردار کلاس بین المللی معدن و الگوریتم تکاملی: تحقیقات اقتصادی-اکونومسکا Istraživanja. http://dx. doi.org/10. 1080/1331677x. 2022. 2043762

چن ، ی. ، یانگ ، ب. ، و ابراهیم ، ا. (2007). گروههای انعطاف پذیر درختان عصبی برای مدل سازی شاخص سهام. Neurocomputing ، 70 ، 697-703. http://dx. doi.org/10. 1016/j. neucom. 2006. 10. 005

Denison ، D. G. ، Mallick ، B. K. ، & Smith ، A. F. (1998). الگوریتم سبد خرید بیزی. Biometrika ، 85 (2) ، 363-377. http://dx. doi.org/10. 1093/biomet/85. 2. 363

Ekinci ، C. ، & Ersan ، O. (2018). یک رویکرد جدید برای تشخیص معاملات با فرکانس بالا از داده های سفارش و تجارت. نامه های تحقیقاتی مالی ، 24 ، 313-320. http://dx. doi.org/10. 1016/j. frl. 2017. 09. 020

Enke ، D. ، & Thawowong ، S. (2005). استفاده از داده کاوی و شبکه های عصبی برای پیش بینی بازده بازار سهام. سیستم های خبره با برنامه های کاربردی ، 29 ، 927-940. http://dx. doi.org/10. 1016/j. eswa. 2005. 06. 024

Fama ، E. (1970). بازارهای سرمایه کارآمد: مروری بر تئوری و کار تجربی. مجله مالی ، 25 (2) ، 383-417. http://dx. doi.org/10. 2307/2325486

Filiz ، E. ، & öz ، E. (2017). طبقه بندی شاخص های BIST-100 از طریق روشهای یادگیری ماشین. Marmara Universitesi iktisadi ve idari bilimler fakultesi dergisi ، 39 (1) ، 117-129. http://dx. doi.org/10. 14780/muiibd. 329913

Giglio ، S. ، Maggiori ، M. ، Stroebel ، J. ، & Utkus ، S. (2020). در ذهن سقوط بازار سهام. مقالات کار Nber ، 27272.

Hajizadeh ، E. ، Ardakani ، H. D. ، & Shahrabi ، J. (2010). استفاده از تکنیک های داده کاوی در بازارهای سهام: یک نظرسنجی. مجله اقتصاد و امور مالی بین المللی ، 2 (7) ، 109-117.

Hall ، M. ، Frank ، E. ، Holmes ، G. ، Pfahringer ، B. ، Reutema ، P. ، & Witten ، I. H. (2009). نرم افزار Weka Data Mining: به روزرسانی. SIGKDD EXPLOR. Newsl. ، 11 (1) ، 10-18. http://dx. doi.org/10. 1145/1656274. 1656278

Han ، J. ، Pei ، J. ، & Kamber ، M. (2011). داده کاوی: مفاهیم و تکنیک ها: Elsevier.

Hashmi ، S. M. ، & Chang ، B. H. (2021). اثر نامتقارن متغیرهای کلان اقتصادی بر شاخص های سهام در حال ظهور: یک رویکرد ARDL کوانتین. مجله بین المللی مالی و اقتصاد ، IJFE. 2461. http://dx. doi.org/10. 1002/ijfe. 2461

Huang ، J. Y. ، & Liu ، J. H. (2020). استفاده از فناوری استخراج رسانه های اجتماعی برای بهبود دقت پیش بینی قیمت سهام. مجله پیش بینی ، 39 (1) ، 104-116. http://dx. doi.org/10. 1002/for. 2616

Hurd ، M. D. ، Roojin ، M. ، & Winter ، J. (2010). انتظارات بازار سهام از خانوارهای هلندی. مقالات کار Nber ، 16464.

Inidapo ، I. ، Adebiyi ، A. ، & Okesola ، O. (2017). تکنیک های محاسبات نرم برای پیش بینی بازار سهام: یک بررسی ادبیات. مجله میثاق انفورماتیک و فناوری ارتباطات ، 5 (2) ، 1-28.

Kara ، Y. ، Acar Boyacıoglu ، M. ، & Baykan ، ö. K. (2011). پیش بینی جهت حرکت شاخص قیمت سهام با استفاده از شبکه های عصبی مصنوعی و دستگاه های بردار پشتیبانی: نمونه بورس اوراق بهادار استانبول. سیستم های خبره با برنامه های کاربردی ، 38 ، 5311-5319. http://dx. doi.org/10. 1016/j. eswa. 2010. 10. 027

Kartal ، B. ، Sert ، M. F. ، & Kutlu ، M. (2022). تعیین همبستگی شاخص های سهام جهانی توسط معدن قانون انجمن. مجله اقتصاد ، امور مالی و علوم اداری. http://dx. doi.org/10. 1108/jefas-04-2020-0150

Kezdi ، G. ، & Robert ، J. W. (2009). انتظارات بازار سهام و انتخاب نمونه کارها از خانوارهای آمریکایی. برگرفته از http://citeseerx. ist. psu. edu/viewdoc/download؟doi=10. 1. 1. 506. 1967& rep=rep1& type=pdf

Kumar ، G. ، Jain ، S. ، & Singh ، U. P. (2021). پیش بینی بازار سهام با استفاده از اطلاعات محاسباتی: یک نظرسنجی. بایگانی روشهای محاسباتی در مهندسی ، 28 (3) ، 1069-1101. http://dx. doi.org/10. 1007/s11831-020-09413-5

Martins ، O. C. ، & Paulo ، E. (2012). عدم تقارن اطلاعات در تجارت سهام ، ویژگی های اقتصادی و مالی و حاکمیت شرکت ها در بازار سهام برزیل. Revista Contabilidade & Finanças ، 25 (64) ، 33-45. http://dx. doi.org/10. 1590/S1519-70772014000100004

Onali ، E. (2020). Covid19 و نوسانات بورس سهام. SSRN ، 3571453 ، 2020.

Ou ، P. ، & Wang ، H. (2009). پیش بینی حرکت شاخص بورس سهام توسط ده تکنیک داده کاوی. علوم کاربردی مدرن ، 3 (12) ، 28-42. http://dx. doi.org/10. 5539/mas. v3n12p28

Paranjape-Voditel ، P. ، & Deshpante ، U. (2013). یک سیستم پیشنهادی نمونه کارها بازار سهام بر اساس استخراج قانون انجمن. محاسبات نرم کاربردی ، 13 ، 1055-1063. http://dx. doi.org/10. 1016/j. asoc. 2012. 09. 012

Park ، M. ، & Chai ، S. (2021). یک مدل مبتنی بر یادگیری ماشین برای پیش بینی نامتقارن حسابداری و اطلاعات مالی fintech با هوش مصنوعی ، داده های بزرگ و blockchain (صص 181-190): Springer. http://dx. doi.org/10. 1007/978-981-33-6137-9_7

Parkash ، R. ، Ahmad ، R. ، Qasim ، S. ، & Nizam ، K. (2022). احساسات سرمایه گذار و ریسک سهام و بازده: شواهدی از بازارهای سهام آسیا. مجله تحقیقات رقابتی علوم اجتماعی ، 3 (1) ، 341-371.

Pawar ، K. ، Jalem ، R. S. ، & Tiwari ، V. (2019). پیش بینی قیمت بازار سهام با استفاده از روند نوظهور LSTM RNN در برنامه های کاربردی و امنیت (صص 493-503): Springer. http://dx. doi.org/10. 1007/978-981-13-2285-3_58

اوزار ، C. (2014). استفاده از فناوری داده کاوی در سیستم اطلاعات مالی: برنامه ای در مورد Borsa Stantanbul. مجله بین المللی مطالعات دارایی و بانکی ، 3 (1) ، 51-61. http://dx. doi.org/10. 20525/ijfbs. v3i168

Vaiz ، J. S. ، & Ramaswami ، M. (2016). مطالعه در مورد شاخص های فنی در پیش بینی حرکت قیمت سهام با استفاده از الگوریتم های درخت تصمیم. مجله تحقیقات مهندسی آمریکایی ، 5 (12) ، 207-212.

Valente ، F. ، Henriques ، J. ، Paredes ، S. ، Rocha ، T. ، De Carvalho ، P. ، & Morais ، J. (2021). بهبود سازش بین دقت ، تفسیر و شخصی سازی یادگیری ماشین مبتنی بر قانون در مشکلات پزشکی. مقاله ارائه شده در 43 مین کنفرانس بین المللی سالانه مهندسی IEEE در انجمن پزشکی و زیست شناسی.

Waspada ، I. P. ، Salim ، D. F. ، & Fariska ، P. (2021). کاربردی از مدل نمونه کارها بتا هوشمند: یک مطالعه تجربی در بورس اوراق بهادار اندونزی. مجله امور مالی آسیا. اقتصاد و تجارت ، 8 (9) ، 45-52.

Wu ، M. ، Hughes ، M. ، Parbhoo ، S. ، Zazzi ، M. ، Roth ، V. ، & Doshi-Velez ، F. (2018). فراتر از کمبود: منظم سازی درخت مدل های عمیق برای تفسیر. مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی ، 32 (1) ، • • •. http://dx. doi.org/10. 1609/aaai. v32i1. 11501

Wu ، X. ، Chen ، H. ، Wang ، J. ، Troiano ، L. ، Loia ، V. ، & Fujşta ، H. (2020). استراتژی های معاملاتی سهام تطبیقی با روشهای یادگیری تقویت عمیق. علوم اطلاعات ، 538 ، 142-158. http://dx. doi.org/10. 1016/j. ins. 2020. 05. 066

Xu ، H. ، Cao ، D. ، & Li ، S. (2022). یک شبکه مخالف تولیدی خود تنظیم شده برای پیش بینی حرکت قیمت سهام بر اساس قیمت و توییت های تاریخی. سیستم های مبتنی بر دانش ، 247 ، 108712. http://dx. doi.org/10. 1016/j. knosys. 2022. 108712

Yiğit ، F. ، & Muzır ، E. (2019). کارآیی شاخص های اصلی بورس استانبول: یک تحقیق تجربی در مورد تعامل بین مدیریت شرکت و قیمت سهام از طریق یک رویکرد مدل بازار. Ekonomi ، ̇şletme ve maliye araştırmaları Dergisi ، 1 (3) ، 237-245.

ژانگ ، د. ، و ژو ، ل. (2004). کشف نگت های طلایی: داده کاوی در برنامه های مالی. IEEE ترانس. systمرد سایبرنقسمت C ، 34 ، 513-522.< Pan> Wu ، X. ، Chen ، H. ، Wang ، J. ، Troiano ، L. ، Loia ، V. ، & Fujşta ، H. (2020). استراتژی های معاملاتی سهام تطبیقی با روشهای یادگیری تقویت عمیق. علوم اطلاعات ، 538 ، 142-158. http://dx. doi.org/10. 1016/j. ins. 2020. 05. 066