ارایه یک مدل ترکیبی به‌منظور تحلیل تطبیقی الگوریتم‌های خوشه‌بندی داده‌های مالی

هدف: الگوریتم‌ های خوشه‌بندی، ابزارهای مفیدی برای درک ساختار داده‌ ها و طبقه‌بندی آن‌ها در مجموعه داده‌ های مختلف می‌ باشند. با‌توجه ‌به اهمیت به‌کارگیری این الگوریتم‌ ها در تحلیل داده‌ های بازارهای مالی که از حجم و گستردگی بالایی برخوردارند، این پژوهش به‌منظور انتخاب بهترین الگوریتم خوشه‌بندی برای خوشه ‌بندی شرکت ‌های حاضر در بورس اوراق بهادار تهران در حوزه مالی از الگوریتم‌های خوشه‌ بندی مختلف استفاده نموده و به ارزیابی اعتبار این الگوریتم‌ ها و انتخاب بهترین الگوریتم پرداخته است.روش‌شناسی پژوهش: این پژوهش از نظر هدف، کاربردی و از نظر روش اجرا توصیفی و از نوع کمی (مدل‌سازی ریاضی) است. جامعه آماری تحقیق شامل 403 شرکت حاضر در بورس اوراق بهادار تهران در سال 98 است که عملکرد آن‌ها بر‌اساس چهار معیار مالی ارزیابی شده است.یافته‌ها: پس از خوشه‌ بندی شرکت‌ های مورد‌بررسی توسط پنج الگوریتم خوشه‌ بندی k-means، em، cobweb، الگوریتم مبتنی‌بر چگالی و روش وارد، از هفت شاخص rs، db، دان، sd، خلوص، آنتروپی و زمان برای ارزیابی الگوریتم ‌های خوشه‌ بندی استفاده گردید. در نهایت، عملکرد نهایی الگوریتم‌ های به‌کار‌ رفته بر‌اساس روش ‌های تاپسیس، ویکور و تحلیل پوششی داده ‌ها مورد تجزیه‌وتحلیل قرار گرفت. بر‌اساس نتایج، روش k-means از عملکرد بهتری در خوشه ‌بندی شرکت‌ ها بر‌اساس مجموعه ‌داده‌ های مالی برخوردار است.اصالت/ارزش افزوده علمی: از آن‌جایی‌که هیچ الگوریتم خوشه‌بندی‌ نمی‌تواند بهترین عملکرد را در تمام اندازه‌گیری‌ها برای هر مجموعه داده داشته باشد، این پژوهش ضمن به‌کارگیری ترکیبی از معیارهای چند‌گانه به‌منظور تجزیه‌وتحلیل الگوریتم‌های خوشه‌بندی داده‌های مربوط به حوزه ارزیابی عملکرد مالی شرکت‌ها، به ارایه پیشنهاداتی پرداخته و نتایج این پژوهش برای سرمایه‌گذاران حوزه مالی کاربرد موثر داشته که منجر به انتخاب بهینه سبد سرمایه‌گذاری می‌شود.

developing a hybrid model for comparative analysis of financial data clustering algorithms

purpose: clustering algorithms are useful tools for understanding data structure and classifying them into different data sets. due to the importance of using these algorithms in analyzing financial market data that have a high volume and scope, this study in order to select the best clustering algorithm for clustering companies listed on the tehran stock exchange in the field of finance from it has used different clustering algorithms and evaluated the validity of these algorithms and selected the best algorithm.methodology: this research is applied in terms of purpose and descriptive in terms of implementation method and is of quantitative type (mathematical modeling). the statistical population of the research includes 403 companies listed on the tehran stock exchange in 2019, whose performance has been evaluated based on four financial criteria.findings: after clustering the surveyed companies by five clustering algorithms, namely k-means, em, cobweb, density-based algorithm and ward method, seven indicators rs, db, dun, sd, purity, entropy and time were used to evaluate the algorithms. finally, the total performance of the algorithms was analyzed based on topsis, vicor and dea methods. based on the results, k-means has a better performance in clustering based on the financial data sets.originality/value: since no clustering algorithm can have the best performance in all measurements for each data set, this study uses a combination of multiple criteria to analyze data clustering algorithms related to the field of financial performance appraisal. companies have provided suggestions and the results of this study have been used effectively for investors in the field of finance, which leads to the optimal choice of investment portfolio.