داده کاویعلم داده

کاربرد تکنیک‌های داده کاوی در بازار سهام

بازار سهام (Stock market) یا بورس اوراق بهادار شامل مجموعه‌ای از خریداران و فروشندگان است که به مبادله سهام شرکت‌ها و دیگر اوراق بهادار می‌پردازند. ما در طول سال‌ها دیده‌ایم، بسیاری از افرادی که در این بازارها فعالیت دارند،‌ متحمل خسارات زیادی شده‌اند و حتی در برخی موارد، منجر به ویرانی زندگی آن‌ها نیز شده است. از این رو نیاز به یک سیستم پیش بینی قابل اعتماد و پایدار احساس می‌شود. پیش بینی دقیق قیمت سهام برای کسب سود خوب، بسیار ضروری است.

با این حال نوسانات بازار سهام باعث می‌شود که این نوع پیش بینی‌ها بسیار دشوار باشد. بازار سهام را می‌توان به عنوان یک مسئله داده کاوی و هوش مصنوعی در نظر گرفت و از تکنیک های داده کاوی جهت پیش بینی قیمت‌ها و هدایت تصمیم‌های سرمایه گذاران استفاده کرد. در ادامه قصد داریم به بررسی تکنیک های داده کاوی در بازار سهام و اوراق بهادار بپردازیم.

نقش تکنیک های داده کاوی در پیش بینی قیمت سهام

نوسانات بازار بورس به صورت مستقیم به سود و زیان سرمایه وابسته است، با اینکه بسیاری از مردم آن را بی‌‌نظم و غیرقابل پیش بینی می‌دانند. اما الگوهایی می‌توان یافت که برخی از نوسانات را پیش بینی ‌کند. در روش‌های مختلف تجزیه و تحلیل بازار سهام به بررسی این الگوها می‌پردازند و از تکنیک‌ها و از استراتژی‌های مختلف علم داده در بورس استفاده می‌کنند تا بتوانند عمدتا به صورت خودکار و با توجه به الگوریتم‌های مختلف تصمیم گیری، سیگنال‌های خرید و فروش تولید کنند.

ابزار سوشال لیسنینگ دیتاک

بورس اوراق بهادار یک سیستم پیچیده، ناپایدار، بی ‌نظم، غیر خطی و پویا است. پیش بینی بازار سهام شامل تشخیص روند بازار، تعیین استراتژی سرمایه گذاری و شناسایی بهترین زمان برای خرید و فروش سهام است. این کار می‌تواند از طریق بررسی هوشمندانه داده های مالی گذشته و کنونی به منظور پیش بینی رفتار آینده بازار سهام انجام شود که جزو داده کاوی در بازارهای مالی می‌باشد.

بنابراین می‌توان آن را به عنوان یک مسئله هوش مصنوعی در زمینه داده کاوی در نظر گرفت. داده کاوی، دانش و فناوری کاوش داده‌ها به منظور کشف الگوهای ناشناخته است و بخشی از فرایند کلی کشف دانش در پایگاه‌های داده (KDD) محسوب می‌شود. در ادامه قصد داریم کاربرد برخی از مهم‌ترین تکنیک های داده کاوی مانند درخت تصمیم، شبکه‌های عصبی، قوانین انجمنی در بازار سهام را بررسی کنیم.

بیشتر بخوانید: کاربرد داده کاوی در بازارهای مالی؛ از جمع‌آوری دیتا تا تحلیل

 

کاربرد درخت تصمیم در بازار سهام

درختان تصمیم یا تصمیم گیری (Decision Tree) ابزاری عالی برای تصمیم‌گیری‌های مالی و مبتنی بر اعداد هستند که در آن‌ها اطلاعات پیچیده زیادی باید در نظر گرفته شود. درختان تصمیم ساختار موثری ارائه می‌دهند که در آن می‌توان تصمیمات جایگزین و پیامدهای ناشی از آن را تعیین و ارزیابی کرد.

آن‌ها همچنین به شما کمک می‌کنند تا تصویری متعادل و دقیق از ریسک‌ها و مزایای ناشی از یک انتخاب خاص ایجاد کنید. در این بخش، ما برخی از کاربردهای درختان تصمیم در بازارهای سهام را معرفی می‌کنیم.

در بازار سهام، یافتن سهام مناسب و زمان مناسب برای خرید از اهمیت زیادی برای سرمایه گذاران برخوردار است. یکی از مهم‌ترین کاربردهای درختان تصمیم، ارائه پیشنهاد در این موارد است. پیش بینی بحران‌های مالی شرکت‌ها برای سرمایه گذاران بسیار مهم است.

یکی دیگر از کاربردهای این تکنیک داده کاوی، پردازش داده‌های اقتصادی شرکت‌ها و ساخت درخت تصمیم برای پیش بینی وضعیت مالی آن‌ها در آینده است. پیش بینی دقیق قیمت سهام اهمیت زیادی دارد و بسیاری از پژوهشگران مطالعات زیادی در این زمینه انجام داده‌اند. یکی از راهکارهای ارائه شده استفاده از درختان تصمیم گیری است که قوانینی برای خرید یا عدم خرید در بازار سهام ارائه می‌دهند.

بررسی‌ها نشان داده است که استفاده از این روش در مقایسه با خریدهای تصادفی، دارای دقت بیشتری بوده است و علاوه بر دقت بالا در پیش بینی قیمت‌ها، بازده سرمایه گذاری را به طور قابل توجهی افزایش داده است. این روش بسیار انعطاف پذیر بوده و قابلیت یادگیری سریع و پایدار دارد.

همچنین، از تکنیک‌ های داده کاوی مبتنی بر درخت تصمیم جهت کشف دانش پنهان حاصل از افشای اطلاعات شرکت‌ها استفاده می‌شود.

کاربرد شبکه عصبی در بازار سهام

در این بخش به بررسی برخی از کاربردهای شبکه عصبی (Neural network) در بازار سهام می‌پردازیم. امروزه حجم زیادی از سرمایه از طریق بازارهای سهام در سراسر جهان مورد معامله قرار می‌گیرد. اقتصاد ملی کشورها به شدت تحت تاثیر عملکرد بازارهای سهام خود هستند.

علاوه بر این، اخیرا این بازارها نه تنها برای سرمایه گذاران استراتژیک بلکه برای افراد عادی نیز به یک ابزار سرمایه گذاری در دسترس‌ تبدیل شده‌اند، در نتیجه نه تنها به پارامترهای اقتصاد کلان مرتبط هستند، بلکه به طور مستقیم زندگی روزمره مردم را تحت تاثیر قرار می‌دهند و بنابراین سازوکاری ایجاد کرده‌اند که دارای تاثیرات مهم و مستقیم اجتماعی است.

ویژگی مشترک همه بازارهای سهام عدم قطعیت است که مربوط به وضعیت آینده آن‌ها در کوتاه مدت و بلند مدت می‌باشد. با اینکه این ویژگی برای سرمایه گذاران نامطلوب است اما هر زمان بازار سهام به عنوان ابزار سرمایه گذاری انتخاب شود، گریز از آن نیز اجتناب ناپذیر است. بهترین کاری که در این خصوص می‌توانید انجام دهد تلاش برای کاهش این عدم اطمینان است. پیش بینی بازار سهام یکی از ابزارهای مقابله با عدم اطمینان است.

یکی از کاربردهای شبکه‌ عصبی، پیش بینی موثر مقادیر آینده بازار سهام می‌باشد. نتایج نشان داده است که استراتژی‌های معاملاتی مبتنی بر شبکه‌های عصبی، سودهای تعدیل شده در برابر ریسک بیشتری (Risk-adjusted) نسبت به استراتژی‌هایی مانند خرید و نگهداری (buy-and-hold) ارائه می‌دهند.

یک مدل پیش بینی مبتنی بر شبکه عصبی و یک سیستم استخراج هوشمند توسط تعدادی از کارشناسان داده کاوی توسعه یافته است که می‌تواند با توجه به پیش بینی روند آینده بازار سهام، سیگنال خرید و فروش تولید کند. نتیجه شبیه‌سازی آن بر روی داده‌های شاخص بازار سهام بورس شانگهای نشان می‌دهد که بازده حاصل از این سیستم استخراج حدود سه برابر بیشتر از سود حاصل از استراتژی خرید و نگهداری است.

پیش بینی دقیق نوسانات بازار بورس، وظیفه اصلی مدیریت ریسک است. یکی دیگر از کاربردهای شبکه‌های عصبی پیش بینی نوسانات شاخص قیمت سهام از دو جنبه نوع انحراف و جهت است.

بیشتر بخوانید: آیا شبکه های اجتماعی می‌توانند بر قیمت سهام تاثیر بگذارند؟

 

کاربرد خوشه بندی در بازار سهام

به طور کلی، یافتن شرکت‌هایی که در طول زمان دارای رفتاری مشابه در بازار سهام هستند برای تحلیلگران بسیار مفید است. استفاده از تکنیک خوشه بندی (Clustering) یک استراتژی مناسب برای این منظور است.

داده‌ها بخشی از سیستم تحلیل و پیش بینی بازار سهام شامل سیستم‌های خبره و خوشه بندی قیمت سهام هستند. محققان از یک رویکرد خوشه بندی هوشمندانه برای تجزیه و تحلیل شرکت‌های شاخص داو جونز استفاده کرده‌اند تا الگوهای رفتاری یکسان قیمت‌های سهام را شناسایی کنند. در این روش شرکت‌هایی که دارای ویژگی‌های مشابهی بودند در یک گروه قرار گرفتند.

علاوه بر این، از خوشه بندی شرکت‌های حاضر در بازار بورس که رفتار مشابهی دارند می‌توان در بهینه سازی سبد سهام بهره برد.

کاربرد قوانین انجمنی در بازار سهام

کشف قوانین انجمنی (Association rule) یکی از مهم‌ترین مسائل داده کاوی است و تحقیقات زیادی نیز در این زمینه انجام شده است. از قوانین انجمنی بیشتر برای تعیین روابط بین موارد یا ویژگی‌هایی که به طور هم زمان در پایگاه داده رخ می‌دهد، استفاده می‌شود.

به عنوان مثال، اگر افرادی که کالای X را خریداری می‌کنند از کالای Y نیز استفاده کنند، احتمالا بین کالای X و Y رابطه وجود دارد و این نوع اطلاعات برای تصمیم گیرندگان مفید است. بنابراین، هدف اصلی از اجرای الگوریتم‌های قوانین انجمنی یافتن روابط هم زمان از طریق تجزیه و تحلیل داده‌های تصادفی و استفاده از آن‌ها به عنوان مرجعی برای تصمیم‌گیری است.

یکی از مهم‌ترین مشکلات در امور مالی امروزی یافتن روش‌های کارآمد برای خلاصه سازی و تجسم داده های بازار سهام است که به افراد یا موسسه‌های مالی اطلاعات مفیدی در مورد رفتار بازار به منظور استفاده در تصمیمات سرمایه گذاری ارائه می‌دهد.

حجم عظیم داده‌های ارزشمند تولید شده توسط بورس سهام و اوراق بهادار، محققان را واداشته است تا با استفاده از روش‌های مختلف، راهی برای یافتن قوانین موجود در بازار سهام پیدا کنند. یکی از این روش‌ها استفاده از یک الگوریتم داده کاوی دو مرحله‌ای با استفاده از قوانین انجمنی است.

در این روش، در مرحله اول از قوانین انجمنی برای استخراج دانش و نمایش الگوها و قوانین موجود در بازار سهام به منظور تعیین دسته سهام‌های مرتبط جهت سرمایه گذاری احتمالی استفاده می‌شود، سپس از الگوریتم‌های خوشه بندی برای تجزیه و تحلیل دسته‌های مختلف و انتخاب بهترین سهام بهره می‌برند.

معاملات الگوریتمی چیست؟

معاملات الگوریتمی (Algorithmic trading) به معنی استفاده از برنامه‌ یا الگوریتم‌های کامپیوتری (مجموعه‌ای از دستورالعمل‌های تعریف شده) برای ثبت سفارشات خرید و فروش در بازارهای مالی الکترونیکی است و معمولا بدون دخالت انسان انجام می‌شود. به این روش، معاملات خودکار، معاملات جعبه سیاه (Black-box) یا معاملات الگو (Algo-trading) نیز گفته می‌شود. در الگوریتم‌های مربوط به این روش معاملاتی به صورت فراوان از تکنیک های داده کاوی و یادگیری ماشین استفاده می‌شود.

معاملات الگوریتمی

از نظر تئوری حجم سود کسب شده و سرعت دستیابی به آن در این روش معامله گری به اندازه‌ای است که برای عامل انسانی غیرممکن است. الگوریتم‌های تعیین شده بر اساس زمانبندی، قیمت، حجم و مدل‌های ریاضی تصمیم می‌گیرند. معاملات الگوریتمی به غیر از خلق فرصت‌های سودآوری برای معامله گران، با حذف تاثیر عواطف انسانی بر فعالیت‌های تجاری، میزان نقدینگی را در بازارها افزایش داده و معاملات را به روشی سازمان یافته انجام می‌دهند.

جمع بندی و نتیجه گیری

با افزایش جهانی سازی اقتصاد و تکامل فناوری اطلاعات، داده‌های مالی با سرعت بی‌سابقه‌ای تولید و انباشته می‌شوند. در نتیجه، نیاز جدی به رویکردهای خودکار برای استفاده موثر و کارآمد از انبوه داده‌های مالی برای حمایت از افراد و موسسه‌های مالی در برنامه ریزی استراتژیک و تصمیم گیری جهت سرمایه گذاری احساس می‌شود.

برای این منظور از تکنیک های داده کاوی برای کشف الگوهای پنهان و پیش بینی روندها و رفتارهای آینده در بازارهای مالی استفاده می‌شود. مزایای رقابتی حاصل از داده کاوی شامل افزایش درآمد، کاهش هزینه‌ها، پاسخگویی و آگاهی بیشتر در بازارهای مالی مانند بورس است.

در سال‌های اخیر مطالعات و مشارکت‌های زیادی در خصوص تکنیک های داده کاوی به منظور رفع مسائل مربوط به بازار سهام و دیگر بازارهای مالی انجام شده است. مطالعه و بررسی روش‌ پیاده سازی رویکردهای داده کاوی و ادغام آن‌ها در تحقیقات بازار سهام در بورس اوراق بهادار تهران نمونه‌ای از این مشارکت‌ها است.

برای موفقیت در بازار سهام با استفاده از تکنیک های داده کاوی،‌ علاوه بر الگوریتم انتخابی، کیفیت داده‌ها و روش آماده سازی داده‌ها به ویژه در پایگاه‌های داده مالی اهمیت زیادی دارد.

در برخی مواقع، دانش حاصل از داده کاوی بسیار پیچیده است و درک روابط به دست آمده به سادگی امکان پذیر نیست. برای ارائه مناسب داده‌ها به گونه‌ای که به راحتی برای همگان قابل درک باشد، از روش مصور سازی داده‌ها (Data visualization) استفاده می‌شود. مصور سازی داده‌ها بخشی از آمار توصیفی است که به بررسی روش ‌های نمایش داده‌ها و انتقال اطلاعات به مخاطبان عام می‌پردازد.

یکی از مهم‌ترین اهداف مصور سازی داده‌ها، انتقال بهینه اطلاعات حاصل از الگوریتم‌ها و تکنیک های داده کاوی به مخاطب با استفاده از روش‌های داده ‌نمایی است. بهره گیری از راهکارهای بهینه مصور سازی، افراد را قادر به تحلیل داده‌ها و استدلال مناسب در مورد آن‌ها می‌کند.

ابزار سوشال لیسنینگ دیتاک را رایگان امتحان کنید
منبع
academia.edu

امین خیبر

من امین خیبر کارشناس ارشد مهندسی فناوری اطلاعات هستم. یکی از علایقم موضوعات مربوط به تولید محتوا و دیجیتال مارکتینگ است. برای موفقیت در این حوزه تلاش می‌کنم همواره بیاموزم و دانسته‌هایم را به دیگران منتقل کنم. همکاری با مجموعه دیتاک به من فرصت گشت و گذار در دنیای داده‌ها و نوشتن درباره آن را می‌دهد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا