پیش‌بینی زمان‌بندی انجام معاملات در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری گروه حسابداری، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران.

2 دانشجوی دکتری گروه حسابداری، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران.

10.22103/jdc.2020.12002.1048

چکیده

هدف: به دلیل پیچیدگی بازار بورس ‌اوراق بهادار تهران، مسئله‌ زمان‌بندی‌ انجام‌ معاملات بسیارحائز اهمیت است. زمان‌بندی انجام معاملات، تحلیل‌گران و معامله‌گران را در راستای پیش‌بینی روند حرکت ‌قیمت‌ سهام یاری می‌نمایند. از این‌رو هدف از پژوهش‌ حاضر پیش‌بینی ‌زمان‌بندی ‌انجام ‌معاملات‌ سهام‌ شرکت‌های ‌فعال ‌در بورس‌ اوراق ‌بهادار تهران‌ است.
روش: جامعه‌ آماری پژوهش شامل کلیه شرکت‌های ‌پذیرفته‌ شده‌ در بورس‌ اوراق ‌بهادار تهران طی سال‌های 1392 تا 1395 است. حجم نمونه با استفاده روش حذف ‌نظام‌مند بالغ بر 17 شرکت‌ فعال ‌در بورس انتخاب شد. روش اجرای‌ پژوهش مبتنی بر رگرسیون ‌گام‌به‌گام ‌و شبکه ‌عصبی‌ فازی ‌با تکیه ‌بر شاخص‌های ‌قدرت ‌نسبی (RSI)، میانگین ‌متحرک‌ همگراواگرا (MACD)، میانگین‌ متحرک ‌ساده (SMA)، نوسان‌گر تصادفی (SO)، میانگین‌ متحرک‌‌نمایی (EMA) و خط‌سیگنال (SL) است.
یافته‌ها: یافته‌های نتایج ‌نشان ‌داد که میانگین ‌درصد صحت‌ پیش‌بینی ‌کلیه شبکه‌های ‌ایجاد شده (55/96%) بیشتر از حالت ‌تصادفی(50%) است. با اعمال مقررات ‌معاملاتی مقادیر پیش‌بینی شده به سیگنال تبدیل شدند و پیشنهاد داده شد که سیگنال ‌نهایی سیستم ‌طراحی ‌شده از مجموع سیگنال‌های ‌ایجاد شده ‌توسط 5 شاخص ‌تکنیکال مذکور بدست آید. در مرحله ‌بعد جهت ‌سنجش بازده‌ معاملات ‌پیشنهادی، مدل ارائه ‌شده با استفاده از استراتژی ‌معاملاتی ‌پیشنهادی ‌پژوهش یک معامله فرضی ‌شبیه‌سازی گردید. سپس بازده‌ معاملات صورت‌ گرفته بر اساس ‌سیگنال ‌نهایی ‌سیستم ‌پیشنهادی با بازده ‌روش‌های ‌تکنیکال‌ و روش‌های ‌خرید و نگهداری (در دوحالت ‌پیش ‌از کسر هزینه‌های ‌معاملاتی ‌و پس ‌از کسر هزینه‌های‌ معاملاتی) مقایسه ‌شدند.
نتیجه‌گیری: با توجه ‌به‌ بازدهی‌ مثبت شاخص‌های SMA، EMA، SO و روش ‌پیشنهادی می‌توان نتیجه گرفت که با استفاده از شاخص‌های تحلیل تکنیکال در بازار سهام‌ ایران‌روند قیمت ‌سهام را پیش‌بینی نمود. از این ‌میان، روش ‌میانگین ‌متحرک ‌ساده از بالاترین اعتبار برای پیش‌بینی روند قیمت ‌سهام برخوردار است. در نتیجه بازار بورس ‌تهران پتانسیل بکارگیری شاخص‌های مختلف تحلیل تکنیکی را دارا است.

کلیدواژه‌ها


الوانی، مهدی. (1388). مدیریت عمومی. تهران: انتشارات نشر نی.
بخردی‌نسب، وحید؛ قاسمی، سعید. (1395). بررسی عوامل موثر بر بازده سهام با تاکید بر عوامل اقتصاد کلان و عوامل حسابداری با درنظر گرفتن تحریم های اقتصادی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه پژوهش های جدید در مدیریت و حسابداری، 3 (17)، 10-25.
تهرانی، رضا؛ عباسیون، وحید. (1387). کاربرد شبکه‌های عصبی مصنوعی در زمان‌بندی معاملات سهام: با رویکرد تحلیل تکنیکی. پژوهش‌های اقتصادی. 8(1)، 177-151.
حامدیان، مهدی. (1379). بررسی عوامل موثر بر قیمت سهام و تصمیم گیری سرمایه گذاران در بورس اوراق بهادار تهران. تهران: دانشگاه شهید بهشتی: دانشکده مدیریت.
حنیفی، فرهاد؛ بحرالعلوم، محمد مهدی؛ جوادی، بابک. (1388). طراحی و تحلیل مقایسه ای الگوریتم‌های فراابتکاری جهت پیاده سازی سرمایه گذاری شاخص محور در بورس تهران. چشم انداز مدیریت، 32، 108-89.
خاتمی، حمید رضا. (1387).  مبانی مدل‌سازی فازی جلد اول: جبر فازی. کرمان: انتشارات دانشگاه شهید باهنر کرمان.
دلبری، مهدی. (1380). بررسی معیارهای موثر بر انتخاب سهام در بورس اوراق بهادار تهران بر اساس مدل فرایند سلسله مراتبی (AHP). اصفهان: دانشگاه اصفهان: دانشکده علوم اداری و اقتصاد.
رعیتی‌شوازی، علیرضا. (1385). پیش‌بینی قیمت سهام با استفاده شبکه عصبی فازی و الگوریتم زنتیک.اصفهان: دانشگاه اصفهان: دانشکده علوم اداری و اقتصاد.
صدرایی، محمد؛ میدانی، فرزاد. (1390). مقررات اصول بازار سرمایه، تهران: کانون کارگزاری بورس و اوراق بهادار.
طلوعی‌اشلقی عباس، حق‌دوست شادی. (1388). مدل‌سازی پیش‌بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی. پژوهشنامه اقتصادی، 4(7)، 65-23.
فلاح شمس، میرفیض؛ دلنواز اصغری، بیتا. (1388). پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی. فراسوی مدیریت، 3(9)، 212-191.
منصورفر، کریم. (1385). روش‌های پیشرفته آماری. تهران: انتشارات دانشگاه تهران.
References
Alvani, M. (2009). Public management. Tehran: Ney publishing [In Persian].
Bekhradi Nasab, V., Ghasemi, S. (2016). Investigating the factors affecting stock returns with emphasis on macroeconomic factors and accounting factors, taking into account economic sanctions in companies listed on the Tehran Stock Exchange. Quarterly Journal of New Research in Management and Accounting, 3(17), 10-25 [In Persian].
Delbari, M. (1380). Investigating the criteria affecting stock selection in the Tehran Stock Exchange based on the hierarchical process model (AHP). Isfahan: University of Isfahan: Faculty of administrative sciences and economics [In Persian].
Fallah Shams, M., Delnavaz Asghari, B. (2009). Prediction of Tehran Stock Exchange index using neural networks. Beyond Management, 3(9), 212-191 [In Persian].
Hamedian, M. (2000). Investigating the factors affecting stock prices and investors' decisions in Tehran Stock Exchange. Tehran: Shahid Beheshti University: School of Management [In Persian].
Hanifi, F., Bahrololoom, M.M., Javadi, B. (2009). Comparative design and analysis of metaheuristic algorithms for implementing index-based investment in Tehran Stock Exchange. Management Perspective, 32, 108-89 [In Persian].
Khatami, H.R., (2008). Fundamentals of fuzzy modeling volume one: Fuzzy algebra. Kerman: Shahid Bahonar University of Kerman Publications [In Persian].
Kuo, J., Chen, C., Hwang, Y.C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial network. Fuzzy Sets and System, 118, 21-45.
Lin, C., Alikhan, H. (2008). Can the neuron fuzzy model predict stock indexes better than its rivals? Econometrics Reviews, 29, 14-37.
Mansourfar, K. (2009). Advanced statistical methods. Tehran: Tehran University Press [In Persian].
Mayers, L.S., Gamst, G., Guarino, A.J. (2006). Applied multivariate research: Design and interpretation. London: SAGE Publications.
Rayti Shavazi, A. (2006). Predicting stock prices using fuzzy neural network and genetic algorithm. Isfahan: University of Isfahan: Faculty of Administrative Sciences and Economics [In Persian].
Sadraei, M., Maidani, F. (2011). Capital market principles regulations. Tehran: Stock exchange and securities brokerage center [In Persian].
Tan, A., Quek, C., Yow, K.C. (2008). Maximizing winning trades using a Novel RSPOP Fuzzy Neural Network intelligent stock trading system. Applied Intelligence, 29, 116-128.
Tehrani, R; Abbasian, V. (2008). Application of artificial neural networks in stock trading scheduling: With a technical analysis approach. Economic Research, 8(1), 177-151 [In Persian].
Tolouei Eshlaghi, A, Haq Doost, S. (2009). Modeling stock price forecasting using neural network and comparing it with mathematical forecasting methods. Journal of Economics, 4(7), 65-23 [In Persian].