ارزیابی مقایسه‌ای اثربخشی تکنیک‌های داده‌کاوی در پیش‌بینی ریسک و بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران

ریسک و بازده سهام همواره از مهم ترین عوامل در اتخاذ تصمیمات مالی سرمایه گذاران بوده است. از این رو پیش بینی آنها برای سرمایه گذاران و سایر فعالان بازار سرمایه حائز اهمیت بسیار است. هدف پژوهش حاضر به کارگیری تکنیک های داده کاوی در پیش بینی بازده و ریسک سیستماتیک سهام در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. در این پژوهش با استفاده از چهار الگوریتم تحلیل جداساز خطی، الگوریتم تحلیل جداساز غیرخطی، الگوریتم نزدیکترین k همسایگی و درخت تصمیم و به کمک 16 متغیر مستقل به پیش بینی بازده و ریسک سیستماتیک سهام پرداخته می شود. چهار الگوریتم مذکور یک بار با استفاده از کل متغیرهای مستقل و بار دیگر با استفاده از 4 متغیر مستقل  که با استفاده از رویکرد فیلترینگ به عنوان موثرترین متغیرها در پیش بینی بازده و ریسک شناخته شده اند، اجرا می شود. سپس صحت پیش بینی چهار الگوریتم در دو حالت (مجموعاً 8 پیش بینی برای بازده و 8 پیش بینی برای ریسک) مقایسه و بهترین الگوریتم انتخاب می گردد. بدین منظور داده های 107 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1380 تا 1392 مورد استفاده قرار گرفته است. نتایج حاصل شده حاکی از این است که در حالت به کارگیری 16 متغیر مستقل الگوریتم تحلیل جداساز خطی بهترین پیش بینی بازده و الگوریتم تحلیل جداساز غیرخطی بهترین پیش بینی ریسک سیستماتیک را به دست می دهد. لیکن در حالت استفاده از متغیرهای مستقل منتخب  الگوریتم تحلیل جداساز غیرخطی بهترین پیش بینی بازده و الگوریتم تحلیل جداساز خطی بهترین پیش بینی ریسک سیستماتیک را ارائه می دهد. به طور کلی استفاده از متغیرهای مستقل منتخب (به جای استفاده از کل متغیرهای مستقل) توان الگوریتم ها در پیش بینی بازده و ریسک سیستماتیک را بهبود می بخشد.

The Comparative Assessment of Data Mining Methods Effectiveness to Forecasting Return and Risk of Stock in Companies Listed in Tehran Stock Exchange

In this study, with using of four algorithms: linear discriminant analysis algorithm, quadratic discriminant analysis algorithm, Knearest neighbors algorithm and decision tree with the help of 16 independent variables has been addressing to predict stock returns and systematic risk. Four algorithms are running once with using of whole independent variables and one again with using of 4 independent variables that are known with using of filtering approach as the most effectiveness of variables in predicting the return and risk. Then the accuracy of forecasting 4 algorithms in both cases (in total, 8 predictions for return and 8 predictions for risk) compares and chooses the best algorithm. For this purpose data of 107 companies listed in Tehran stock exchange is used during the period of 2002 to 2014. The results show that in the case of using 16 independent variables, the linear discriminant analysis algorithm provides the best prediction for return and the quadratic discriminant analysis algorithm provides the best prediction for systematic risk. But in the case of using independent variables that are chosen, the quadratic discriminant analysis algorithm offers the prediction for return and linear discriminant analysis algorithm offers the best prediction for systematic risk. In general, using of selected independent variables (instead of using whole independent variables), improves the algorithm's ability in prediction of return and systematic risk.