پیش‌بینی بازار سهام ایران با استفاده از نوسانات امواج الیوت و شاخص قدرت نسبی با کمک یادگیری ماشین

نویسندگان

    محمد جواد محمودی * دانشیار اقتصاد، عضو هیئت علمی وزارت علوم، تحقیقات و فناوری،تهران،ایران mah94@chmail.ir
    سیده ملیکا لاجوردی کارشناسی ارشد، گروه ریاضی کاربردی، دانشگاه پیام نور، تبریز، ایران
    پرویز یاری کارشناسی ارشد، گروه ریاضی کاربردی، دانشگاه پیام نور، تبریز، ایران

کلمات کلیدی:

پیش­بینی روند, تحلیل تکنیکال, تئوری موج الیوت, الگوریتم­های طبقه­بندی, یادگیری ماشین, بازار سهام ایران

چکیده

هدف پژوهش حاضر، پیش‌بینی روند بازار سهام ایران با استفاده از نوسان‌نمای موج الیوت و شاخص قدرت نسبی در چارچوب الگوریتم‌های یادگیری ماشین بود. این پژوهش با رویکرد کمی و با استفاده از داده‌های روزانه شاخص کل بورس اوراق بهادار تهران از تاریخ 30/04/1390تا 31/06/1403 انجام شد. داده‌ها از پایگاه فناوری بورس ایران جمع‌آوری و پس از پیش‌پردازش شامل حذف داده‌های پرت، نرمال‌سازی و برچسب‌گذاری، به سه گروه خرید، فروش و نگهداری تقسیم شدند. برای استخراج سیگنال‌های معاملاتی از نوسان‌نمای موج الیوت و شاخص قدرت نسبی (RSI) استفاده شد. سپس داده‌ها به چهار الگوریتم یادگیری ماشین شامل درخت تصمیم، بیز ساده، ماشین بردار پشتیبان و K-نزدیک‌ترین همسایه وارد شدند. 70 درصد داده‌ها برای آموزش و 30 درصد برای آزمون مدل‌ها مورد استفاده قرار گرفت. عملکرد مدل‌ها با شاخص‌هایی نظیر دقت، صحت و فراخوانی ارزیابی شد. نتایج نشان داد که شناسایی امواج الیوت در شاخص بورس اوراق بهادار تهران امکان‌پذیر است و ترکیب نوسان‌نمای موج الیوت با شاخص قدرت نسبی توانایی مناسبی در تشخیص موقعیت‌های خرید، فروش و نگهداری دارد. همچنین الگوریتم‌های یادگیری ماشین در پیش‌بینی روند شاخص کل عملکرد مطلوبی ارائه کردند. در میان مدل‌های مورد بررسی، ماشین بردار پشتیبان و درخت تصمیم نسبت به سایر الگوریتم‌ها عملکرد دقیق‌تری داشتند و توانستند روند بازار را با دقتی بیش از 90 درصد پیش‌بینی کنند. نتایج همچنین نشان داد که استفاده هم‌زمان از شاخص‌های تکنیکال و روش‌های هوشمند موجب بهبود توانایی پیش‌بینی و کاهش خطای مدل‌ها شده است. یافته‌های پژوهش نشان داد که نظریه امواج الیوت در کنار شاخص قدرت نسبی و الگوریتم‌های یادگیری ماشین می‌تواند ابزار مؤثری برای پیش‌بینی روند بازار سهام ایران باشد. استفاده از این رویکرد ترکیبی می‌تواند به سرمایه‌گذاران و معامله‌گران در شناسایی نقاط بازگشت بازار، مدیریت ریسک و اتخاذ تصمیمات معاملاتی دقیق‌تر کمک کند و زمینه توسعه سامانه‌های هوشمند تحلیل بازار سرمایه را فراهم سازد.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Atsalakis, G. S., Dimitrakakis, E. M., & Zopounidis, C. D. (2011). Elliott Wave Theory and Neuro-Fuzzy Systems, in Stock Market Prediction: The WASP System. Expert Systems with Applications, 38(8), 9196-9206. https://doi.org/10.1016/j.eswa.2011.01.06

Balasubramaniam, P. M., Arivoli, S., & Prabhakaran, N. (2022). Performance of Signal Strength Prediction in Data Transmission Using Elliott Wave Theory. https://doi.org/10.34256/ijcci2017

Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the Direction of Stock Market Prices Using Tree-Based Classifiers. The North American Journal of Economics and Finance, 47, 552-567. https://doi.org/10.1016/j.najef.2018.06.013

Bazrkar, M. J., & Hosseini, S. (2023). Predict Stock Prices Using Supervised Learning Algorithms and Particle Swarm Optimization Algorithm. Computational Economics, 62(1), 165-186. https://doi.org/10.1007/s10614-022-10273-3

Bose, M., & Mali, K. (2019). Fuzzy Time Series Forecasting Model Using Particle Swarm Optimization and Neural Network. In Soft Computing for Problem Solving (pp. 413-423). Springer. https://doi.org/10.1007/978-981-13-1592-3_32

Bustos, O., & Pomares-Quimbaya, A. (2020). Stock Market Movement Forecast: A Systematic Review. Expert Systems with Applications, 156, 113464. https://doi.org/10.1016/j.eswa.2020.113464

Chauhan, A., Shivaprakash, S. J., Sabireen, H., Md, A. Q., & Venkataraman, N. (2023). Stock Price Forecasting Using PSO Hyper Tuned Neural Nets and Ensemble. Applied Soft Computing, 147, 110835. https://doi.org/10.1016/j.asoc.2023.110835

Chaweewanchon, A., & Chaysiri, R. (2022). Markowitz Mean-Variance Portfolio Optimization with Predictive Stock Selection Using Machine Learning. International Journal of Financial Studies, 10(3), 64. https://doi.org/10.3390/ijfs10030064

Chen, H., Hu, S., Hua, R., & Zhao, X. (2021). Improved Naive Bayes Classification Algorithm for Traffic Risk Management. EURASIP Journal on Advances in Signal Processing, 2021(1), 30. https://doi.org/10.21203/rs.3.rs-355037/v1

Clapham, B., Haferkorn, M., & Zimmermann, K. (2023). The Impact of High-Frequency Trading on Modern Securities Markets: An Analysis Based on a Technical Interruption. Business & Information Systems Engineering, 65(1), 7-24. https://doi.org/10.1007/s12599-022-00768-6

Ghallabi, F., Souissi, B., Du, A. M., & Ali, S. (2025). ESG stock markets and clean energy prices prediction: Insights from advanced machine learning. International Review of Financial Analysis, 97(1), 103889. https://doi.org/10.1016/j.irfa.2024.103889

Guo, Y., Guo, J., Sun, B., Bai, J., & Chen, Y. (2022). A New Decomposition Ensemble Model for Stock Price Forecasting Based on System Clustering and Particle Swarm Optimization. Applied Soft Computing, 130, 109726. https://doi.org/10.1016/j.asoc.2022.109726

Gupta, B., Rawat, A., Jain, A., Arora, A., & Dhami, N. (2017). Analysis of Various Decision Tree Algorithms for Classification in Data Mining. International Journal of Computer Applications, 163(8), 15-19. https://doi.org/10.5120/ijca2017913660

Haghighat Monfared, J., Ahmadalinejad, M., & Motaghalchi, S. (2012). Comparison of Neural Network Models with Box-Jenkins Time Series Model in Forecasting the Tehran Stock Exchange Overall Price Index.

Jarusek, R., Volna, E., & Kotyrba, M. (2022). FOREX Rate Prediction Improved by Elliott Wave’s Patterns Based on Neural Networks. Neural Networks, 145, 342-355. https://doi.org/10.1016/j.neunet.2021.10.024

Ji, X., Wang, J., & Yan, Z. (2021). A Stock Price Prediction Method Based on Deep Learning Technology. International Journal of Crowd Science, 5(1), 55-72. https://doi.org/10.1108/IJCS-05-2020-0012

Kanchanamala, P., Karnati, R., & Bhaskar Reddy, P. V. (2024). Hybrid Optimization Enabled Deep Learning and Spark Architecture Using Big Data Analytics for Stock Market Forecasting. Concurrency and Computation: Practice and Experience, 35(8), e7618. https://doi.org/10.1002/cpe.7618

Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the Direction of Stock Market Prices Using Random Forest. https://doi.org/10.48550/arXiv.1605.00003

Khairi, T. W., Zaki, R. M., & Mahmood, W. A. (2019). Stock Price Prediction Using Technical, Fundamental and News-Based Approach. 2019 2nd Scientific Conference of Computer Sciences (SCCS), https://doi.org/10.1109/SCCS.2019.8852599

Kong, M., & So, J. (2023). Empirical Analysis of Automated Stock Trading Using Deep Reinforcement Learning. Applied Sciences, 13(1), 633. https://doi.org/10.3390/app13010633

Kumar, R., Kumar, P., & Kumar, Y. (2022). Multi-Step Time Series Analysis and Forecasting Strategy Using ARIMA and Evolutionary Algorithms. International Journal of Information Technology, 14(1), 359-373. https://doi.org/10.1007/s41870-021-00741-8

Li-Xia, L., Yi-Qi, Z., & Liu, X. Y. (2011). Tax Forecasting Theory and Model Based on SVM Optimized by PSO. Expert Systems with Applications, 38(1), 116-120. https://doi.org/10.1016/j.eswa.2010.06.022

Li, G., Zhang, A., Zhang, Q., Wu, D., & Zhan, C. (2022). Pearson Correlation Coefficient-Based Performance Enhancement of Broad Learning System for Stock Price Prediction. IEEE Transactions on Circuits and Systems II: Express Briefs, 69(5), 2413-2417. https://doi.org/10.1109/TCSII.2022.3160266

Li, H., Yang, Z., & Li, T. (2014). Algorithmic Trading Strategy Based on Massive Data Mining. cs229.stanford.edu

Moghar, A., & Hamiche, M. (2020). Stock Market Prediction Using LSTM Recurrent Neural Network. Procedia Computer Science, 170, 1168-1173. https://doi.org/10.1016/j.procs.2020.03.049

Murphy. (2018). Technical Analysis in the Capital Market. Chalesh.

Peymani Foroushani, M., Arza, Salehi, & Salehi, A. (2021). Transaction Returns Based on Candlestick Charts in the Tehran Stock Exchange. Financial Research, 22(1), 69-89. https://doi.org/10.22059/frj.2019.287302.1006912

Potdar, A., & Mahadik, S. D. (2025). A Multi-Agent Approach to Stock Market Prediction and Risk Management. The Voice of Creative Research, 7(2), 203-211. https://doi.org/10.53032/tvcr/2025.v7n2.27

Rezaeian, S., Taleghani, M., & Sharj Sharifi, A. (2024). Developing a Comprehensive Model for Stock Price Prediction in the Stock Exchange Market Using Interpretive Structural Modeling. Asset Management and Financing, 12(2), 39-58. https://doi.org/10.22108/amf.2024.138983.1821

Satari, R., Akbari Dehkharghani, A., & Ahangari, K. (2020). Copper Price Prediction Using Wave Count with Contribution of Elliott Waves. Journal of Mining and Environment, 11(3), 825-835. https://doi.org/10.22044/jme.2020.9240.1822

Shahrabadi, A., & Bashiri, N. (2010). Investment Management in the Stock Exchange. Securities and Exchange Organization.

Viswanath, N. (2022). Decision Tree Based Radio Link Failure Prediction for 5G Communication Reliability. https://doi.org/10.52953/LZLJ8762

Wickramasinghe, I., & Kalutarage, H. (2021). Naive Bayes: Applications, Variations and Vulnerabilities: A Review of Literature with Code Snippets for Implementation. Soft Computing, 25(3), 2277-2293.

Yu, P., & Yan, X. (2020). Stock Price Prediction Based on Deep Neural Networks. Neural Computing and Applications, 32, 1609-1628. https://doi.org/10.1007/s00521-019-04212-x

دانلود

چاپ شده

1406-06-01

ارسال

1404-11-01

بازنگری

1405-03-04

پذیرش

1405-03-13

شماره

نوع مقاله

Articles

ارجاع به مقاله

محمودی م. ج.، لاجوردی س. م.، و یاری پ. . (1406). پیش‌بینی بازار سهام ایران با استفاده از نوسانات امواج الیوت و شاخص قدرت نسبی با کمک یادگیری ماشین. حسابداری، امور مالی و هوش محاسباتی، 1-23. https://www.jafci.com/index.php/jafci/article/view/441

مقالات مشابه

1-10 از 237

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.