توسعۀ رویکردی برای ارزیابی بورس توسط پیش بینی ویژگی های موثر با روش های داده کاوی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

توسعۀ رویکردی برای ارزیابی بورس توسط پیش بینی ویژگی های موثر با روش های داده کاوی

عنوان لاتین

Developing an approach to evaluate stocks by forecasting effective features with data mining methods

در این پژوهش رویکرد جدیدی برای پیش بینی ریسک ها و بازده بورس توسعه داده شده است. در این رویکرد سه مرحله ای، از طریق بررسی مفهومی همه ویژگی های ممکن که می توانند روی ریسک و بازده بورس اثر بگذارند، شناسایی شده اند. سپس در مرحله بعدی، بازده و ریسک توسط اعمال شیوه های داده کاوی برای ویژگی های مفروض پیش بینی می شود. سرانجام ما یک الگوریتم هیبریدی را بر مبنای خوشه بندی عملکردی و فیلتری توسعه می دهیم: ویژگی های مهم در پیش بینی ریسک و بازده انتخاب شده و سپس بازپیش بینی می شوند. نتایج نشان داد که مدل هیبریدی پیشنهادی، ابزار مناسبی برای انتخاب ویژگی موثر بوده و این ویژگی ها نیز شاخص های خوبی برای پیش بینی بازده و ریسک می باشند. ما برای نشان دادن این رویکرد، علاوه بر آموزش و آزمون داده ها، آن را برای بازار بورس تهران TSE از 2002 تا 2011 بکار بردیم.

In this research, a novel approach is developed to predict stocks return and risks. In this three stage method, through a comprehensive investigation all possible features which can be effective on stocks risk and return are identified. Then, in the next stage risk and return are predicted by applying data mining techniques for the given features. Finally, we develop a hybrid algorithm, on the basis of filter and function- based clustering; the important features in risk and return prediction are selected then risk and return re-predicted. The results show that the proposed hybrid model is a proper tool for effective feature selection and these features are good indicators for the prediction of risk and return. To illustrate the approach as well as to train data and test, we apply it to Tehran Stock Exchange (TSE) data from 2002 to 2011.