انطباق‌پذیری رفتار شاخص بورس اوراق بهادار تهران با مدل تئوری امواج الیوت

یکی از مهم‌ترین مباحث در اقتصاد جهان، استفاده از سرمایه‌های راکد برای توسعه‌ اقتصادی هر کشور است و این نیازمند یک سیاست راهبردی جذب سرمایه‌گذاران داخلی و خارجی جهت تقویت بازار سرمایه کشور است. هدف کلی این پژوهش، بررسی انطباق پذیری رفتار بازار سهام ایران با سایر بازار های مالی خارجی طبق مدل تئوری موج الیوت از ابزارهای تحلیل تکنیکال و با استفاده از الگوریتم‌های طبقه‌بندی است. لذا در این پژوهش، روند حرکتی قیمت در شاخص کل و شاخص کل هم وزن بورس اوراق بهادار ایران بهعنوان دماسنج اقتصاد و نشانگر وضعیت کلی بازار سهام ایران، مورد بررسی قرار گرفته است. ابتدا، متغیرهای نوسان‌نمای موج الیوت و شاخص قدرت حرکت و تغییرات قیمت، بطور روزانه برای شاخص کل از تاریخ 25 /02 /1387 تا 05 /09/ 1399 و شاخص کل هم وزن از تاریخ 14 /02/ 1394 تا 11 /09/ 1399 محاسبه شد و بر اساس این سه متغیر، روند حرکتی به سه دسته خرید، فروش و نگهداری برچسب‌گذاری شد. سپس، الگوریتم‌های طبقه‌بندی مانند درخت تصمیم، نزدیک‌ترین k همسایه، ماشین بردار پشتیبان خطی برای پیش‌بینی روند آینده استفاده شد. نتایج نشان داد دقت الگوریتم‌های درخت تصمیم و نزدیک‌ترین k همسایه در پیش‌بینی برچسب خرید، فروش و نگهداری بالای 90 % بوده است. بنابراین، استفاده از روش‌های تکنیکی و الگوریتم‌های پیشنهادی می‌تواند به سرمایه‌گذاران در تشخیص روند آتی شاخص کل و شاخص کل هم وزن کمک کند.

Adaptability of Tehran Stock Exchange Index Behavior with Elliott Wave Theory Model

One of the most important issues in the world economy is the use of stagnant capital for the economic development of any country, and this requires a strategic policy to attract domestic and foreign investors. The general purpose is to investigate the adaptability of Iranian stock market behavior with other foreign financial markets according to Elliott wave theory model of technical analysis tools and classification algorithms. Therefore, the price movement trend in the total index and the total weighted index of the Iranian Stock Exchange as a thermometer of the economy and an indicator of the general situation of the Iranian stock market has been studied. First, the variables of Elliott Wave Oscillation and Relative strength index and Close changes, daily for the total index from 14/05/2008 to 25/11/2020 and the total weighted index from 04/05/2015 to 01/12/2020 calculated and accordingly, the movement trend was labeled into buying, selling and maintaining. Then, classification algorithms such as decision tree, K nearest neighbor, linear support vector machine were used to predict future trends. The results showed that the accuracy of Decision tree and the K nearest neighbor algorithms in predicting labels was above 90%. Therefore, the use of technical methods and proposed algorithms can help investors in determining the future trend of the total index and the total weighted index.