عنوان پایان‌نامه
کاربرد کاوش قواعد وابستگی در تشکیل پرتفوی سهام در بورس اوراق بهادار تهران
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78436;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78436
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- محمداحسان عامری
- استاد راهنما
- سعید فلاح پور
- چکیده
- در این مقاله یک سیستم توصیه کننده پرتفویی از سهام های بازار بر اساس قوانین وابستگی معرفی می شود که این سیستم اطلاعات سهام ها را تحلیل می کند و یک سبد طبقه بندی شده از سهام را ارائه می دهد. هدف این سیستم کمک به معامله گران، سرمایه گذاران منفرد و مدیران صندوق ها در تصمیم گیری های سرمایه گذاری می باشد. به این صورت که این سیستم زمانی که شواهد محکمی مبنی بر امکان سود آوری از انجام مبادلات موجود باشد، سرمایه گذاری در گروهی از سهم ها را توصیه می کند. سیستم پیشنهادی ما با سیستم های موجود متفاوت است چرا که این سیستم همبستگی بین سهام ها را می یابد و از این طریق پرتفویی را پیشنهاد می کند. در حالیکه تکنیک های موجود به پیشنهاد خرید و فروش یک سهم می پردازند و توانایی پیشنهاد یک پرتفوی را ندارند. در این مقاله ما از "زیر ساخت پشتیبانی اطمینان" برای ساخت قوانین وابستگی استفاده کردیم. استفاده از روش های ARM سنتی نا ممکن است زیرا تعداد قوانین وابستگی به صورت نمایی است و یافتن قوانین مربوط از این مجموعه بسیار سخت است. بنابر این در این تکنیک با تعریف معیار پشتیبان و اطمینان الگوریتم ARM به راحتی پیاده می شود. در پایان بازده بدست آمده از این الگوریتم را با بازده استراتژی خرید و نگهداری مقایسه می کنیم. نتایج نشان می دهند که بازده این روش بهتر از بازده استراتژی خرید و نگهداری است.
- Abstract
- We propose a stock market portfolio recommender system based on association rule mining (ARM) that analyzes stock data and suggests a ranked basket of stocks. The objective of this recommender system is to support stock market traders, individual investors and fund managers in their decisions by suggesting investment in a group of equity stocks when strong evidence of possible profit from these transactions is available. Our system is different compared to existing systems because it finds the correlation between stocks and recommends a portfolio. Existing techniques recommend buying or selling a single stock and do not recommend a portfolio. We have used the support confidence framework for generating association rules. The use of traditional ARM is infeasible because the number of association rules is exponential and finding relevant rules from this set is difficult. Therefore, ARM techniques have been augmented with domain specific techniques. At the end the returns from this technique has been compared with the return generated by the buy& hold strategy. The results show that this technique definitely outperforms the buy& hold strategy.
