مدلسازی هم حرکتی سهام در بورس اوراق بهادار تهران با استفاده از رویکرد خوشه بندی سه مرحله ای

خوشه بندی به‌عنوان یکی از روش های داده کاوی توصیفی، روشی برای گروه بندی مشاهده‌ها به k خوشه (گروه) مختلف است. خوشه بندی بازار سهام، اطلاعات سودمندی را جهت پیش بینی تغییرات قیمت سهام شرکت‌های مختلف در اختیار سرمایه گذاران شخصی و متخصصان مالی قرار می دهد. در سال های اخیر، خوشه‌بندی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار براساس شباهت در روند حرکتی یا به‌عبارتی شکل بازار آن‌ها، مورد توجه قرار گرفته است. رویکردهای موجود خوشه بندی، نتایج خوبی برای این روند ارائه نمی دهند؛ زیرا داده های مربوط به قیمت سهام شرکت ها داده های سری زمانی مالی هستند که دارای ابعاد زیاد است و تغییرات در این داده-ها، معمولا با شیفت های زمانی همراه است. این ویژگی ها، خوشه بندی شرکت ها براساس روند حرکتی قیمت سهام آن‌ها را بسیار پیچیده کرده است. از طرفی در بین روش های موجود، روشی برای خوشه بندی بازار سهام که بتواند شرکت ها را به زیرخوشه هایی که حاوی اطلاعات مفید برای استفاده‌کننده نهایی است، تقسیم کند وجود ندارد. در تحقیق حاضر، روش خوشه بندی سه مرحله ای برای خوشه بندی شرکت های موجود در بورس اوراق بهادار، براساس شباهت در روند حرکتی قیمت سهام شرکت ها، مورد استفاده قرار گرفته است. در مرحله اول، کاهش ابعاد داده ها صورت گرفته است و خوشه بندی تقریبی شرکت ها انجام می شود. سپس در مرحله دوم، خوشه‌های ایجاد شده در مرحله قبل، به زیرخوشه های با کیفیت و دقت بیشتر تقسیم می شوند. در نهایت، زیر‌خوشه های ایجاد شده، در مرحله سوم ادغام و خوشه های نهایی ارائه می شود. مدل ارائه شده، با استفاده از روش مجموع مربعات خطا مورد ارزیابی قرار می گیرد. نتایج تحقیق نشان می‌دهد روش خوشه‌بندی سه مرحله‌ای در مقایسه با سایر الگوریتم های خوشه بندی مرسوم از نظر اثربخشی و کیفیت، عملکرد بهتری دارد.

Tehran Stock Market Co-movement Modeling Using Three-phase Clustering Method

Clustering is one of the descriptive data mining techniques to group the observations into different K clusters (groups). The stock market categorization system would be invaluable to individual investors and financial experts, providing them with the opportunity to predict the stock price changes of a company with respect to other companies. In recent years, clustering all companies in the stock markets based on their similarities in the shape of the stock markets has increasingly become a common scheme. However, existing approaches are impractical because the stock price data are financial time-series data that have high-dimension and the changes in the stock price usually occur with shifts, which makes the categorization more complex. Moreover, no stock market categorization method that can cluster companies down to the sub-cluster level, which are very meaningful to end users, has been developed. Therefore, in this paper, a novel three-phase clustering method is proposed to categorize companies based on the similarity in the shape of their stock markets. First, low-resolution time series data are used to approximately categorize companies. Then, in the second phase, pre-clustered companies are split into some pure sub-clusters. Finally, sub-clusters are merged in the third phase. The accuracy of the proposed method is evaluated using Sum of Squared Error (SSE). We show that this approach has good performance in efficiency and effectiveness compared to existing conventional clustering algorithms