30900

كاربرد الگوريتم هاي داده كاوي در پيش بيني قيمت سهام شركت هاي موجود در بورس اوراق بهادار تهران

كارشناسي ارشد

مهندسي صنايع- سيستم‌هاي كلان

1399

1402/11/28

سعيد ميرزامحمدي

عمران محمدي

مهندسي صنايع

پيشبيني بازار سهام به يك حوزه مورد توجه تبديل شدهاست و اين توجه به دليل ثروت فراواني است كه بازده سرمايه گذاري در بازارسهام ميتواند ايجاد نمايد. پيش‌بيني دقيق بازار سهام يك كار پيچيده در حوزه مالي است. چند دهه پيش، تحليلگران از تكنيك هاي سنتي براي پيش‌بيني قيمت‌ها بر اساس داده‌هاي تاريخي استفاده مي‌كردند. با اين حال، اين رويكرد به دليل برخي ويژگي‌هاي خاصي كه بازارهاي مالي دارند، مانند وجود نوسانات، ناهنجاري‌ها و روندهاي نوساني، كمتر مؤثر است. مدل‌هاي سري زماني مانند آرما ، آريما ، آرما تعميم‌يافته و آرچ و آرچ تعميم‌يافته در بين تحليلگران و محققان محبوب شده‌اند. با اين وجود، به دليل محدوديت اين مدل‌ها در مديريت ماهيت آشفته و پر نوسان سيستم بورس، محققان به استفاده از مدل‌هاي سري‌زماني مرسوم، به عنوان مثال، مدل‌هاي فازي روي آورده‌اند. علاوه بر اين، بسياري از تكنيك‌هاي هوشمند مانند الگوريتم‌هاي ژنتيك ، شبكه‌هاي عصبي ، الگوريتم‌هاي انتشار برگشتي براي محققان در پيش‌بيني بازار مالي مفيد و ارزشمند بوده‌اند. در اين پاياننامه ضمن بررسي كارهاي پيشين در زمينه پيشبيني قيمت سهام و همچنين بررسي جامعي حول مفاهيم حوزه يادگيريماشين، به ارائه چارچوبي در فرايند پيشبيني قيمت سهام در بورس اوراق بهادار تهران پرداخته شده‌است، در ادامه به پيشبيني سهام منتخب، كه از طريق فرايند انتخاب سهام مشخص شدهاند، بوسيله يك الگوريتم يادگيري عميق LSTM و سه الگوريتم يادگيري ماشين SVR و Random Forest و XGBoost پرداخته شده‌است، و نتيجه حاصل برتري روش‌هاي XGBoost و Random Forest در پيش‌بيني قيمت سهام به ترتيب با ميانگين دقت 97.80 و 97.79 درصد نسبت به ديگر الگوريتم‌ها مي‌باشد.

1403/02/22

Application of Data Mining Algorithms in Predicting Stock Prices of Companies Listed on the Tehran Stock Exchange

1/1/1900 12:00:00 AM

The prediction of stock market has become a prominent area of attention, driven by the significant wealth that investment returns in the stock market can generate. Accurate stock market prediction is a complex task in the financial domain. Decades ago, analysts used traditional techniques to predict prices based on historical data. However, due to specific characteristics of financial markets, such as volatility, anomalies, and oscillatory trends, this approach is less effective. Time series models such as ARMA, ARIMA, GARCH, and GARCH generalized have become popular among analysts and researchers. Nevertheless, due to limitations in handling the chaotic and highly volatile nature of the stock market system, researchers have turned to the use of conventional time series models, such as fuzzy models. Additionally, many intelligent techniques, such as genetic algorithms, neural networks, and backpropagation algorithms, have proven valuable for researchers in predicting financial markets. In this thesis, after reviewing previous works on stock price prediction and providing a comprehensive overview of machine learning concepts, a framework for predicting stock prices on the Tehran Stock Exchange is presented. Subsequently, the prediction of selected stocks, identified through the stock selection process, is performed using a deep learning algorithm (LSTM) and three machine learning algorithms (SVR, Random Forest, and XGBoost). The results show the superiority of XGBoost and Random Forest methods in predicting stock prices, with average accuracies of 97.80% and 97.79%, respectively, compared to other algorithms.

يادگيري ماشين , يادگيري عميق , انتخاب سهام , داده كاوي , پيش بيني سهام

Machine Learning , Deep Learning , Stock selection , data mining , stock prediction

Yaser Shokoohi

Dr. Mirza Mohammadi