خوشهبندی قیمت سهام با استفاده از الگوریتم کوچکترین درخت پوشا | ||
| محاسبات نرم | ||
| دوره 14، شماره 1 - شماره پیاپی 27، شهریور 1404، صفحه 72-87 اصل مقاله (884.27 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22052/scj.2024.253526.1183 | ||
| نویسندگان | ||
| فائزه کلهری؛ سیدمحمد حسینی* | ||
| گروه ریاضی، دانشکده علوم پایه، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران. | ||
| چکیده | ||
| با توجه به فعالیتهای روزافزون اشخاص حقیقی و حقوقی در بازار سرمایه و تبدیل شدن این بازار به یکی از مهمترین اهرمهای اقتصادی هر کشور، هرچه دانش در رابطه با انتخاب سهم و سهامداری بیشتر باشد، بیشک سودآوری بیشتری به دنبال خواهد داشت. در پژوهش حاضر نظر به اهمیت قیمت سهام، خوشهبندی آن با استفاده از الگوریتم کوچکترین درخت پوشا پیشنهاد شده است. دادههای مورد استفاده پژوهش، قیمت بسته شدن روزانه سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1398/7/1 تا 1399/8/20 است. در این پژوهش در مرحله اول، تعدادی زیرخوشه شامل شرکتهای مشابه از نظر رفتار قیمتی، تشکیل میشود پس از آن بر اساس برخی معیارهای تشابه، زیرخوشهها ادغام و نتیجه مطلوب یعنی داشتن خوشههایی شامل اعضایی با بیشترین مشابهت حاصل میشود. از جمله مزایای روش پیشنهادی این است که در این روش معیارهای تشابه به صورت موضعی محاسبه میشود و بنابراین محاسبات آن نسبت به سایر روشها کمتر خواهد بود. نتایج این پژوهش نشان میدهد که فرآیند خوشهبندی مجموعههای حجیم به راحتی و با دقتی مطلوب قابل انجام و استفاده است. | ||
| کلیدواژهها | ||
| خوشهبندی؛ درخت پوشا؛ قیمت سهام؛ نزدیکترین همسایه؛ الگوریتم کراسکال | ||
| مراجع | ||
|
[1] M. Saeidi Kousha and S. Mohebbi, “Optimizing stock portfolios by comparing different technical patterns,” Financ. Eng. Portfolio Manage., vol. 12, no. 49, pp. 104-125, 2021, dor: 20.1001.1.22519165. 1400.12.49.5.7 [In Persian]. [2] D. Farid and M. Pourhamidi, “Classifying stocks of listed companies on Tehran Stock Exchange using fuzzy cluster analysis,” J. Financ. Account. Res., vol. 4, no. 3, pp. 105-128, 2012, dor: 20.1001.1.23223405.1391.4.3.8.8 [In Persian]. [3] G. Mishra and S.K. Mohanty, “A fast hybrid clustering technique based on local nearest neighbor using minimum spanning tree,” Expert Syst. Appl., vol. 132, pp. 28-43, 2019, doi: 10.1016/j.eswa.2019.04.048. [4] J.D. Cryer and K.S. Chan, Time Series Analysis, with Applications in R. New York, NY, USA: Springer, 2008, doi: 10.1007/978-0-387-75959-3. [5] A. Soroushyar and M. Akhlaghi, “The comparative assessment of data mining methods effectiveness to forecasting return and risk of stock in companies listed in Tehran stock exchange,” J. Financ. Account. Res., vol. 9, no. 1, 2017, doi: 10.22108/far.2017.21746 [In Persian]. [6] Z. Shirazian, H. Nikoumaram, and T. Torabi, “Clustering of volatility and its asymmetry in Tehran Stock Exchange,” J. Invest. Knowl., vol. 9, no. 35, pp. 1-19, 2020. [In Persian] [7] K. Ghanaei, M. Ghanbari, B. Jamshidinavid, and A. Baghfalaki, “Modeling the Co-Movement of Stocks Between Returns with Negative and Positive Shocks of Sentiment Arising from the Imbalance of Orders Using a Tree-Stage Clustering Approach,” Adv. Math. Financ. Appl., vol. 10, no. 1, pp. 113-129, 2024, doi: 10.71716/amfa.2025.23011843. [8] B.M. Blau and T.G. Griffith, “Price clustering and the stability of stock prices,” J. Bus. Res., vol. 69, no. 10, pp. 3933-3942, 2016, doi: 10.1016/j.jbusres.2016.06.008. [9] S.R. Nanda, B. Mahanty, and M.K. Tiwari, “Clustering Indian stock market data for portfolio management,” Expert Syst. Appl., vol. 37, no. 12, pp. 8793-8798, 2010, doi: 10.1016/j.eswa.2010.06.026. [10] S.N. Zainol Abidin, S.H. Jaaman, M. Ismail, and A.S. Abu Bakar, “Clustering stock performance considering investor preferences using a fuzzy inference system,” Symmetry, vol. 12, p. 1148, 2020, doi: 10.3390/sym12071148. [11] E. Gungor and A. Ozmen, “Distance and density based clustering algorithm using gaussian kernel,” Expert Syst. Appl., vol. 69, pp. 10-20, 2017, doi: 10.1016/j.eswa.2016.10.022. [12] B.B. Nair, P.K.S. Kumar, N.R. Sakthivel, and U. Vipin, “Clustering stock price time series data to generate stock trading recommendations: An empirical study,” Expert Syst. Appl., vol. 70, pp. 20-36, 2017, doi: 10.1016/j.eswa.2016.11.002. [13] S. Guha, R. Rastogi, and K. Shim, “CURE: An efficient clustering algorithm for large databases,” SIGMOD Rec., vol. 27, no. 2, pp. 73-84, 1998, doi: 10.1145/276305.276312. [14] C.R. Lin and M.S. Chen, “Combining partitional and hierarchical algorithms for robust and efficient data clustering with cohesion self-merging,” IEEE Trans. Knowl. Data Eng., vol. 17, no. 2, pp. 145-159, 2005, doi: 10.1109/TKDE.2005.21. [15] G. Karypis, E.-H. Han, and V. Kumar, “Chameleon: Hierarchical clustering using dynamic modeling,” Computer, vol. 32, no. 8, pp. 68-75, 1999, doi: 10.1109/2.781637. [16] X. Wang, X. Wang, and D.M. Wilkes, “A divide-and-conquer approach for minimum spanning tree-based clustering," IEEE Trans. Knowl. Data Eng., vol. 21, no. 7, pp. 945-958, 2009, doi: 10.1109/TKDE.2009.37. [17] C. Zhong, D. Miao, and P. Franti, “Minimum spanning tree based split-and-merge: A hierarchical clustering method,” Inf. Sci., vol. 181, no. 16, pp. 3397-3410, 2011, doi: 10.1016/j.ins.2011.04.013. [18] F. Zhao et al., “A similarity measurement for time series and its application to the stock market,” Expert Syst. Appl., vol. 182, p. 115217, 2021, doi: 10.1016/j.eswa.2021.115217. [19] R. Balakrishnan and K. Ranganathan, A Textbook of Graph Theory. New York, NY, USA: Springer, 2012. [20] P. Franti and S. Sieranoja, “K-means properties on six clustering benchmark datasets,” Appl. Intell., vol. 48, no. 12, pp. 4743-4759, 2018. [21] A.K. Das and J. Sil, “Cluster validation using splitting and merging technique,” in Proc. Int. Conf. Comput. Intell. Multimedia Appl. (ICCIMA), 2007, pp. 56-60. | ||
|
آمار تعداد مشاهده مقاله: 391 تعداد دریافت فایل اصل مقاله: 279 |
||