طراحی سیستم توصیه‌کننده سهام مبتنی بر الگوریتم فیلترینگ مشارکتی برای بورس اوراق بهادار تهران

هدف: با افزایش حجم اطلاعات و پیچیدگی بازارهای مالی، سرمایه‌گذاران به‌طور فزاینده‌ای به‌دنبال ابزارهای نوین مالی، برای تصمیم‌گیری آگاهانه‌ترند. این ابزارها باید به سرمایه‌گذاران کمک کنند تا ضمن انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. در این راستا، سیستم‌های توصیه‌کننده سهام، اهمیت بیشتری پیدا می‌کنند. سیستم‌های توصیه‌کننده سهام می‌توانند در این زمینه به سرمایه‌گذاران کمک کنند تا با انتخاب سهام مناسب، بازدهی بیشتری کسب کنند. سیستم‌های توصیه‌کنندۀ سنتی سهام، اغلب دقت و کارایی لازم را ندارند. این پژوهش، روشی نوینی به‌نام فیلترینگ مشارکتی مبتنی بر سهام را برای طراحی سیستم توصیه‌کنندۀ سهام در بورس اوراق بهادار تهران ارائه می‌دهد. این روش بر پایۀ دو فرضیۀ کلیدی بنا شده است: 1. عدم کارایی بازار: بازار سهام به‌طور کامل کارآمد نیست و اطلاعات را به‌طور کامل و دقیق منعکس نمی‌کند. 2. اطلاعات نهفته در حرکات سهام: حرکت سهام نوعی اطلاعات دارد و می‌تواند بر قیمت سهام دیگر در بازار تاثیر بگذارد. در این پژوهش با فرض وجود اثر انتقال در بورس اوراق بهادار تهران، از تکنیک فیلترینگ مشارکتی برای طراحی یک سیستم سهام توصیه‌کننده استفاده شده است که یکی از الگوریتم‌های سیستم‌های توصیه‌کننده به‌شمار می‌رود. هدف این استراتژی، یافتن سهام مستعد برای کسب بازدهی بیشتر از بازار است.روش: در این پژوهش، از داده‌های تاریخی قیمت سهام 145 شرکت حاضر در بورس اوراق بهادار تهران، در بازۀ زمانی 1391 تا 1400 استفاده شد. الگوریتم فیلترینگ مشارکتی، در دو مرحلۀ یادگیری و آزمایش اجرا شد. در مرحلۀ یادگیری، الگوریتم با استفاده از داده‌های سال‌های 1391 تا 1395 آموزش داده شد و در مرحلۀ آزمایش، عملکرد آن روی داده‌های سال‌های 1395 تا 1400 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.یافته‌ها: الگوریتم به‌عنوان یک استراتژی سرمایه‌گذاری، در دو دوره درون‌نمونه‌ای و برون‌نمونه آزمایش شد. نتایج به‌دست‌آمده از طریق الگوریتم برای دوره‌های برون‌نمونه نشان می‌دهد که این استراتژی می‌تواند 25 برابر بازدهی داشته باشد؛ در حالی که شاخص کل در این بازۀ زمانی 16 برابر شده که نشان‌دهندۀ عملکرد عالی استراتژی در طول دورۀ زمانی است. همچنین میزان ارزش در معرض ریسک در دورۀ زمانی مورد بررسی، برای روش منتخب 8/12- درصد است که میزان ریسک کمتر این روش را نشان می‌دهد. نتیجه‌گیری: الگوریتم فیلترینگ مشارکتی مبتنی بر سهام، نوعی استراتژی سرمایه‌گذاری فعال است. هدف این الگوریتم هوشمند، شناسایی سهام ارزشمند و کسب بازدهی بیشتر از بازار است و می‌تواند در این زمینه به سرمایه‌گذاران کمک کند. این الگوریتم می‌تواند ابزاری ارزشمند برای سرمایه‌گذاران فعالی باشد که به‌دنبال یافتن سهام ارزشمند و کسب بازدهی بیشتر از بازار هستند. بنابراین پژوهش‌های بیشتر برای بررسی عملکرد این الگوریتم در بازارهای مختلف و شرایط اقتصادی متنوع ضروری است. همچنین، به پژوهشگران بعدی توصیه می‌شود که از استراتژی‌های 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

objectivewith 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.  methodsthis 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. resultsthe 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. conclusionstock-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.