طراحی سیستم توصیه کننده سهام مبتنی بر الگوریتم فیلترینگ مشارکتی برای بورس اوراق بهادار تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: با افزایش حجم اطلاعات و پیچیدگی بازارهای مالی، سرمایه گذاران به طور فزاینده ای به دنبال ابزارهای نوین مالی، برای تصمیم گیری آگاهانه ترند. این ابزارها باید به سرمایه گذاران کمک کنند تا ضمن انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. در این راستا، سیستم های توصیه کننده سهام، اهمیت بیشتری پیدا می کنند. سیستم های توصیه کننده سهام می توانند در این زمینه به سرمایه گذاران کمک کنند تا با انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. سیستم های توصیه کننده سنتی سهام، اغلب دقت و کارایی لازم را ندارند. این پژوهش، روشی نوینی به نام فیلترینگ مشارکتی مبتنی بر سهام را برای طراحی سیستم توصیه کننده سهام در بورس اوراق بهادار تهران ارائه می دهد. این روش بر پایه دو فرضیه کلیدی بنا شده است: ۱. عدم کارایی بازار: بازار سهام به طور کامل کارآمد نیست و اطلاعات را به طور کامل و دقیق منعکس نمی کند. ۲. اطلاعات نهفته در حرکات سهام: حرکت سهام نوعی اطلاعات دارد و می تواند بر قیمت سهام دیگر در بازار تأثیر بگذارد. در این پژوهش با فرض وجود اثر انتقال در بورس اوراق بهادار تهران، از تکنیک فیلترینگ مشارکتی برای طراحی یک سیستم سهام توصیه کننده استفاده شده است که یکی از الگوریتم های سیستم های توصیه کننده به شمار می رود. هدف این استراتژی، یافتن سهام مستعد برای کسب بازدهی بیشتر از بازار است. روش: در این پژوهش، از داده های تاریخی قیمت سهام ۱۴۵ شرکت حاضر در بورس اوراق بهادار تهران، در بازه زمانی ۱۳۹۱ تا ۱۴۰۰ استفاده شد. الگوریتم فیلترینگ مشارکتی، در دو مرحله یادگیری و آزمایش اجرا شد. در مرحله یادگیری، الگوریتم با استفاده از داده های سال های ۱۳۹۱ تا ۱۳۹۵ آموزش داده شد و در مرحله آزمایش، عملکرد آن روی داده های سال های ۱۳۹۵ تا ۱۴۰۰ ارزیابی شد. در گام بعدی با استفاده از الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، سیگنال خریدوفروش در طول دوره محاسبه و در نهایت، استراتژی ارزیابی شد. یافته ها: الگوریتم به عنوان یک استراتژی سرمایه گذاری، در دو دوره درون نمونه ای و برون نمونه آزمایش شد. نتایج به دست آمده از طریق الگوریتم برای دوره های برون نمونه نشان می دهد که این استراتژی می تواند ۲۵ برابر بازدهی داشته باشد؛ در حالی که شاخص کل در این بازه زمانی ۱۶ برابر شده که نشان دهنده عملکرد عالی استراتژی در طول دوره زمانی است. همچنین میزان ارزش در معرض ریسک در دوره زمانی مورد بررسی، برای روش منتخب 8/12- درصد است که میزان ریسک کمتر این روش را نشان می دهد. نتیجه گیری: الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، نوعی استراتژی سرمایه گذاری فعال است. هدف این الگوریتم هوشمند، شناسایی سهام ارزشمند و کسب بازدهی بیشتر از بازار است و می تواند در این زمینه به سرمایه گذاران کمک کند. این الگوریتم می تواند ابزاری ارزشمند برای سرمایه گذاران فعالی باشد که به دنبال یافتن سهام ارزشمند و کسب بازدهی بیشتر از بازار هستند. بنابراین پژوهش های بیشتر برای بررسی عملکرد این الگوریتم در بازارهای مختلف و شرایط اقتصادی متنوع ضروری است. همچنین، به پژوهشگران بعدی توصیه می شود که از استراتژی های کنترل ریسک بهره ببرند و این عملکرد سیستم را تقویت کنند.Designing a Stock Recommender System Using the Collaborative Filtering Algorithm for the Tehran Stock Exchange
Objective
With the increasing volume of information and the complexity of financial markets, investors are increasingly seeking innovative financial tools to make more informed decisions. These tools should help investors choose the right stocks and achieve better returns. In this regard, stock recommendation systems are becoming increasingly important. Stock recommendation systems can assist investors in achieving superior returns by selecting the right stocks. However, traditional stock recommendation systems often lack the necessary accuracy and efficiency. This research aims to develop a novel approach called Stock-based Collaborative Filtering to design a stock recommendation system for the Tehran Stock Exchange. This method is founded on two key assumptions: first, market inefficiency, meaning the stock market does not completely and accurately reflect all available information; and second, the presence of hidden information in stock movements, indicating that these movements contain valuable insights that can influence the prices of other stocks in the market. In this research, assuming the existence of the transmission effect on the Tehran Stock Exchange, we used the collaborative filtering technique, a common algorithm in recommender systems, to design a stock recommender system. The purpose is to help investors select the best-performing stocks to outperform the market.
Methods
This study uses historical stock price data of 145 firms listed on the Tehran Stock Exchange from 2012 to 2021. The collaborative filtering algorithm was implemented in two stages: training and testing. In the training stage, the algorithm was trained using data from 2012 to 2016, and in the testing stage, its performance was evaluated on data from 2016 to 2021. Following, buy and sell signals were generated using the stock-based collaborative filtering algorithm during the same period. Finally, the strategy was evaluated.
Results
The algorithm was tested as an investment strategy in both in-sample and out-of-sample periods. The results obtained from the algorithm for the out-of-sample periods show that this strategy can achieve a 25-fold return. The overall index returned 16 times during this period, indicating the excellent performance of the strategy over time. Additionally, the value at risk (VaR) for the selected method during the study period stood at -12.8%, indicating the lower risk of this method.
Conclusion
Stock-based collaborative filtering is an active investment strategy. This intelligent algorithm aims to identify undervalued stocks and achieve higher returns than the market. This algorithm can serve as a valuable tool for active investors seeking to identify valuable stocks and achieve higher returns than the market. Therefore, further research is necessary to examine the performance of this algorithm in different markets and diverse economic conditions. Also, it is recommended to implement risk control strategies and optimize the system's efficacy further.
تبلیغات
