prediction-based portfolio optimization model for iran’s oil-dependent stocks using data mining methods

This study applied a prediction-based portfolio optimizationmodel to explore the results of portfolio predicament in thetehran stock exchange. to this aim, first, the data miningapproach was used to predict the petroleum products andchemical industry using clustering stock market data. then, someeffective factors, such as crude oil price, exchange rate, globalinterest rate, gold price, and s&p 500 index, were used toestimate each industry index using radial basis function andmulti-layer perceptron neural networks. finally, by comparingthe validation ratios in a bullish market using k-means, som,and fuzzy c-means clustering algorithms, the best algorithm wasemployed to predict indicators for each industry. the sample wascollected between december 15, 2008, and april 25, 2018. theresults revealed that the multi-layer perceptron algorithm hadthe highest accuracy and was the best option for portfoliopredicament. however, the fuzzy c-means algorithm producedthe best clusters. practical results showed that sepahan oil andkharg petrochemical stocks were the most important stocks inthe short term while kharg petrochemical, fannavaranpetrochemical, and tehran oil refinery stocks made highercontributions in a stock portfolio in the medium- or long-term

بهینه‌سازی پرتفوی مبتنی بر پیش‌بینی برای سهام گروه‌های وابسته به نفت در ایران با استفاده از روش‌های داده کاوی

هدف اصلی این تحقیق استفاده از یک مدل بهینه‌سازی پرتفوی مبتنی بر پیش‌بینی برای انتخاب پرتفوی سهام گروه‌های وابسته به نفت در بازار بورس تهران است. برای این منظور، ابتدا با استفاده از داده‌های خوشه‌بندی شده بازار سهام و مبتنی بر رهیافت داده‌کاوی، سهام فرآورده‌های نفتی و صنایع شیمیایی پیش‌بینی شده است. سپس، با استفاده از عوامل موثر بر تغییرات شاخص هر گروه مانند قیمت نفت خام، نرخ ارز، نرخ بهره‌ جهانی، قیمت جهانی طلا و شاخص S&P500 شاخص هر صنعت با استفاده از الگوریتم‌های شبکه عصبی MLP و RBF تخمین زده شده و در نهایت با مقایسه عملکرد هر یک از الگوریتم‌ها، بهترین الگوریتم برای پیش‌بینی رفتار شاخص هر صنعت شناسایی شده است. در ادامه با استفاده از الگوریتم‌های خوشهبندی KMeans، SOM و FCM شرکت‌های موجود در این دوصنعت از لحاظ نسبت‌های مالی خوشه‌بندی شده و با بهترین الگوریتم سهام مناسب از هرگروه شناسایی شده است. نتایج تحقیق بیانگر آن است که الگوریتم MLP ازدقت بالاتری برخوردار است. همچنین الگوریتم FCM بهترین خوشه‌ها را تولید می‌کند. نتایج تجربی نشان می‌دهد، سهام پتروشیمی سپاهان و خارگ در کوتاه‌مدت و پتروشیمی خارگ و فناوران و پالایشگاه نفت تهران بیشترین بازده را در پرتفوی در افق میان‌مدت و بلندمدت دارد.