پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,871 |
| تعداد مشاهده مقاله | 115,442,899 |
| تعداد دریافت فایل اصل مقاله | 90,212,919 |
طراحی سیستم توصیه کننده سهام مبتنی بر الگوریتم فیلترینگ مشارکتی برای بورس اوراق بهادار تهران. | ||
| تحقیقات مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 آبان 1402 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.360955.1007479 | ||
| نویسندگان | ||
| مرضیه نوراحمدی1؛ علی رحیمی2؛ حجت الله صادقی* 3 | ||
| 1دکتری رشته مهندسی مالی دانشگاه یزد | ||
| 2دانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 3بخش حسابداری و مالی، پردیس علوم انسانی و اجتماعی، دانشگاه یزد | ||
| چکیده | ||
| هدف: با پیشرفت علم و فناوری، میزان اطلاعاتی که بازیابی و استفاده می‌شود، به سرعت افزایش یافته است. داده کاوی فرایند استخراج داده‌های مربوطه از حجم زیادی از داده‌ها است، همچنین روش کشف و پیدا کردن الگوی مناسب از حجم زیادی از مجموعه داده‌ها است. هدف اصلی از فرایند داده کاوی این است که اطلاعات مناسب و مرتبط از حجم زیادی از مجموعه داده‌ها استخراج شود و آن را به ساختار قابل فهم تبدیل نماید. یکی از زیر مجموعه‌های داده کاوی، سیستم های توصیه کننده است. سیستم های توصیه کننده (RS) ابزارها و تکنیک های نرم افزاری هستند که مواردی را پیشنهاد می کنند که می تواند توسط کاربر استفاده شود. سیستم های توصیه شده در اواسط دهه 1990 ظاهر شدند، اما از زمان جایزه نتفلیکس توجه قابل توجهی را به خود جلب کردند و در زمینه های مختلفی مانند فیلم (Netflix)، کتاب (Amazon) یا موسیقی (Spotify) استفاده می شود. با این حال سیستم‌های توصیه‌کننده سرمایه‌گذاری سهام در مقایسه با سایر صنایع توجه محدودی را به خود جلب کرده‌اند. توصیه های سهام شخصی می تواند به طور قابل توجهی بر تعامل و رضایت مشتری در صنعت تأثیر بگذارد. در این پژوهش با فرض وجود اثر انتقال در بورس اوراق بهادار تهران، از تکنیک فیلترینگ مشارکتی که یکی از الگوریتم‌های سیستم‌های توصیه‌گر است، برای طراحی یک سیستم سهام توصیه‌گر استفاده می‌کنیم. سیستم توصیه کننده فیلترینگ مشارکتی (CF) اساساً برای پیش بینی مطلوبیت آیتم‌هایی برای کاربران بر اساس آیتم-هایی که قبلاً توسط سایر کاربران رتبه بندی شده‌اند، طراحی و استفاده می‌شوند. هدف این استراتژی یافتن سهام خوب برای کسب بازدهی بیشتر از بازار است. روش: بدین منظور تعداد 145 شرکت سهامی برای دوره زمانی 04-03-1391 لغایت 19-04-1400 انتخاب شدند. برای انتخاب بهترین دوره زمانی کوتاه مدت و بلند مدت داده ها را به دو قسمت درون نمونه و برون نمونه تقسیم شده است. از داده‌های سال‌های 04-01-1391 الی 20-06-1395 برای داده‌های درون نمونه (یادگیری) (145 سهم و 1023 روز معاملاتی) استفاده شده و از داده‌های سال‌های 21-06-1395 الی 19-04-1400 برای داده‌های برون نمونه (تست) (145 سهم و 1159 روز معاملاتی) استفاده شده است. محدوده آزمایش برای دوره کوتاه مدت از 5 تا 45 روز معاملاتی، و محدوده آزمایش برای دوره بلند مدت از 2 تا 10 برابر دوره کوتاه مدت است. ترکیب یک دوره کوتاه مدت و یک دوره بلند مدت، که حداکثر ارزش خالص را بدست می‌آورد، به عنوان ترکیب بهینه‌سازی در نظر گرفته می‌شود. سپس با استفاده از الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، سیگنال خرید و فروش در طول دوره را به دست آورده و در نهایت، استراتژی را ارزیابی نمودیم. یافته‌ها: الگوریتم را به‌عنوان یک استراتژی سرمایه‌گذاری در دو دوره درون‌نمونه‌ای و برون نمونه آزمایش کردیم. نتایج به دست آمده از طریق الگوریتم برای دوره های برون از نمونه نشان می دهد که این استراتژی می تواند 25 برابر بازدهی داشته باشد و شاخص کل در این بازه زمانی 16 برابر شده است که نشان دهنده عملکرد عالی استراتژی در طول دوره است. همچنین میزان ارزش در معرض ریسک در دوره زمانی مورد بررسی برای روش منتخب 12.8- درصد است که نشان دهنده میزان ریسک کمتر این روش است. نتیجه‌گیری: الگوریتم فیلترینگ مشارکتی مبتنی بر سهام نوعی استراتژی سرمایه‌گذاری فعال است. هدف آن یافتن سهام خوب برای عملکرد بهتر نسبت به بازار است و می تواند در این زمینه به سرمایه گذاران کمک کند. | ||
| کلیدواژه‌ها | ||
| سیستم توصیه کننده؛ فلیترینگ مشارکتی؛ انتخاب سهام؛ اثر انتقال؛ پیش بینی سهام | ||
| عنوان مقاله [English] | ||
| Design of Stock Recommender System based on Collaborative Filtering Algorithm for Tehran Stock Exchange. | ||
| نویسندگان [English] | ||
| Marziyeh Nourahmadi1؛ ALI RAHIMI2؛ Hojjatollah Sadeqi3 | ||
| 1Ph.D. in Financial engineering, Faculty of Economic ,Management and Accounting, Yazd University, Yazd, Iran | ||
| 2Electrical Engineering, Faculty of Electrical Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran | ||
| 3Department of Accounting and Finance, Faculty of Social Sciences and Humanities, Yazd University, Iran | ||
| چکیده [English] | ||
| Objective: With the progress of science and technology, the amount of information retrieved and used has increased rapidly. Data mining is the process of extracting relevant data from a large volume of data, and it is also a method of discovering and finding the appropriate pattern from a large volume of datasets. The main goal of the data mining process is to extract appropriate and relevant information from a large volume of datasets and transform it into an understandable structure. One of the subsets of data mining is the recommendation system. Recommender systems (RS) are software tools and techniques that suggest items that the user can use. Recommender systems appeared in the mid-1990s, but since the Netflix Prize, they have gained considerable attention. They are now used in different fields such as movies (Netflix), books (Amazon), or music (Spotify). However, stock investment recommender systems have received limited attention compared to other industries. Personalized stock recommendations can significantly impact customer engagement and satisfaction in the industry. In this research, assuming transmission effects between the movements of stocks in the Tehran Stock Exchange, we use the Collaborative Filtering technique, which is one of the recommender system algorithms, to design a stock recommender system. Collaborative Filtering (CF) recommender systems are designed and used to predict the desirability of items for users based on items that have already been rated by other users. This strategy aims to find good stocks to earn more returns than the market. Method: For this purpose, 145 stock companies were selected from 2012-03-23 to 2021-07-10. To select the best length of the short period and the long period, the stock market data is divided into two parts. We use the data from 2012-03-23 to 2016-09-10 for the data in-sample (train) (145 stocks and 1023 trading days) and the data from 2016-09-11 to 2021-07-10 for the out-of-sample (test) (145 stocks and 1159 trading days). The test range for the short period is from 5 to 45 days, and the test range for the long period is from 2 to 10 times the short period (in days). Combining a short period and a long period, which obtains the maximum net value, is considered an optimization combination. Then, using the stock-based collaborative filtering algorithm, they obtained the buy and sell signal during the period, and finally, we evaluated the strategy. Results: We tested the algorithm as an investment strategy in two periods: in-sample and out-of-sample. The results obtained through the algorithm for the out-of-sample periods show that this strategy can have a return of 25 times, whereas the total index in this period has increased by 16 times, indicating the excellent performance of the strategy during the period. Also, the value at risk percentage in the period under review for the selected method is -12.8%, which indicates the lower risk of this method. Conclusion: The stock-based collaborative filtering algorithm is a kind of active investment strategy. Its purpose is to find good stocks for better performance than the market and can help investors in this regard. | ||
| کلیدواژه‌ها [English] | ||
| Recommender systems, collaborative filtering, stock selection, Transmission effect, stock forecasting | ||
|
آمار تعداد مشاهده مقاله: 177 |
||