فصلنامه علمی پژوهشی اقتصاد مقداری

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

مدلی مبتنی بر نوفه زدایی موجک و الگوریتم پیچش زمانی پویا برای شناخت الگوی قیمت سهام در بورس اوراق بهادار تهران

نوع مقاله : زبان انگلیسی

نویسندگان

1 دانشیار مدیریت، گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 استاد مدیریت، گروه مدیریت، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران.

3 کارشناسی ارشد مدیریت مالی، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران.

چکیده

دلیل اصلی سرمایه گذاری مردم در بازار سهام، به دست آوردن سود است که لازمه آن، داشتن اطلاعات درست از بازار سهام، تغییرات قیمت و پیش‌بینی روند آتی آن است.‌ بنابراین سرمایه‌گذاران نیازمند ابزارهای قدرتمند و قابل اعتماد برای پیش‌بینی قیمت سهام در آینده هستند. هدف اصلی تحقیق حاضر، ارائه مدلی مبتنی بر نوفه‌زدایی موجک و پیچش زمانی پویا جهت شناخت الگوی قیمت سهام در بورس اوراق بهادار تهران می‌باشد که به سرمایه گذاران در این راستا کمک نماید. در این راستا، ابتدا با استفاده از گام پیش‌پردازشی نوفه‌زدایی موجک، نویز از سری‌های زمانی قیمت سهام حذف شده و سپس داده‌های استخراجی، به عنوان ورودی مدل پیش‌بینی پیچش زمانی پویا مورد استفاده قرار می‌گیرند. برای تجزیه و تحلیل داده‌های تحقیق از نرم افزار MATLAB نسخه 9.11 استفاده شده است. جامعه آماری تحقیق حاضر شامل 3 سهم از میان سهام شرکت‌های صنعت فولاد بورس اوراق بهادار تهران می‌‌باشد. تحقیق در بازه زمانی 1395 تا 1398 انجام شده است. نتایج حاکی از آن است که پیش‌بینی‌های حاصل شده از روش پیچش زمانی پویا مجهز به گام پیش‌پردازشی نوفه‌زدایی موجک در مقایسه با پیش‌بینی‌های حاصل شده از روش پیچش زمانی پویا بدون گام پیش‌پردازشی نوفه‌زدایی موجک در هر سه سهم مورد بررسی، با خطای بسیار کمتری همراه بوده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A method based on wavelet denoising and DTW algorithm for stock price pattern recognition in Tehran stock exchange

نویسندگان [English]

  • Rahim Ghasemiyeh 1
  • HasanAli Sinaei 2
  • Elnaz Ghalambor Dezfoli 3

1 Associate Professor of Management, Department of Management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Irann

2 Professor of Financial Management, Department of Management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran.

3 Master of Financial Management, Department of Management, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz. Iran.

چکیده [English]

The main reason for people investing in the stock market is to make a profit, which requires accurate information about the stock market, price changes and predicting its future trend. Therefore, investors need powerful and reliable tools for forecasting Stock prices in the future. The main purpose of this study is to present a method based on wavelet denoising and dynamic time warping to identify the stock price pattern in the Tehran Stock Exchange. In this regard, first, using the wavelet denoising preprocessing step, noise is removed from the stock price time series, and then the extracted data is used as input to the dynamic time warping prediction model. MATLAB software version 9.11 was used to analyze the research data. The statistical population of the present study includes 3 shares among the shares of steel industry companies of Tehran Stock Exchange. The research was conducted in the period 1395 to 1398. The results show that the predictions obtained from the dynamic time warping method equipped with the wavelet denoising preprocessing step in comparison with the predictions obtained from the dynamic time warping method without the wavelet denoising preprocessing step in all three shares studied, have been associated with much less accuracy and error.

کلیدواژه‌ها [English]

  • Dynamic time warping
  • wavelet denoising
  • stock
  • prediction
مراجع
Asgari Oskoei, M. R. (2002). TIME SERIES PREDICTION BY NEURAL NETS. Iranian Journal of Economic Research, 4(12), 69–96. Retrieved from https://ijer.atu.ac.ir/article_3830.html [In Persian]
Asadi, G. H., Abdoh Tabrizi, H., Hamidizade, M. R., & farazmand, S. (2023).  Investigation of stock                                    price    Herding in Tehran Stock Exchange. Quarterly Journal of Quantitative Economics (JQE), 20(3), 1-34. doi: 10.22055/jqe.2021.36054.2310[In Persian]
Bao, D. (2008). A generalized model for financial time series representation and prediction. Applied Intelligence, 29(1), 1–11. Retrieved from https://doi.org/10.1007/s10489-007-0063-1
Cottis, R. A., Homborg, A. M., & Mol, J. M. C. (2016). The relationship between spectral and wavelet techniques for noise analysis. Electrochimica Acta, 202, 277–287. Retrieved 15 July 2023 from https://doi.org/10.1016/J.ELECTACTA.2015.11.148
Feghehmajidi. Ali, & Shahidi.Fariba. (2018). The Impacts of Industrial Index, Financial Index and Macroeconomic Variables on Tehran Stock Exchange: Markov-Switching Approach. Quarterly Journal of Applied Theories of Economics, 5(2), 1–26.
Ghasemiyeh, R., Darzian Azizy, A., Salehi, M., & Sana, S. S. (2024). A Novel Methodology for Evaluating Quality of Websites: A Hybrid Approach of Bipolar Neutrosophic Numbers (BNN)-SWARA-TOPSIS. International Journal of Applied and Computational Mathematics, 10(2), 40
Ghasemiyeh, R., Moghdani, R., & Sana, S. S. (2017). A hybrid artificial neural network with metaheuristic algorithms for predicting stock price. Cybernetics and Systems, 48(4), 365-392.
Han, T., Peng, Q., Zhu, Z., Shen, Y., Huang, H., & Abid, N. N. (2020). A pattern representation of stock time series based on DTW. Physica A: Statistical Mechanics and Its Applications, 550, 124161.
Hoseeini Ebrahimabad, S. A., Jahangiri, K., Ghaemi Asl, M., & Heydari, H. (2020). Investigation of the volatility spillover effect and dynamic conditional correlations in Tehran Stock Exchange using wavelet-based Bayesian conditional variance heteroscedasticity. Quarterly Journal of Applied Theories of Economics, doi.  10.22034/ECOJ.2020.10724 7(1), 149–184. [In Persian]
Izakian, H., Pedrycz, W., & Jamal, I. (2015). Fuzzy clustering of time series data using dynamic time warping distance. Engineering Applications of Artificial Intelligence, 39, 235–244. Retrieved 15 July 2023 from https://doi.org/10.1016/J.ENGAPPAI.2014.12.015
Jafari Samimi, A., & Baloonejad, R. (2013). Applying Semi-parametric and Wavelets Methods to Study Persistent Rate of Inflation in Iran. Economic  Modelling, 7(23), 15–30. Retrieved from https://eco.firuzkuh.iau.ir/article_555332.html [In Persian]
Jiang, Y., Qi, Y., Wang, W. K., Bent, B., Avram, R., Olgin, J., & Dunn, J. (2020). EventDTW: An Improved Dynamic Time Warping Algorithm for Aligning Biomedical Signals of Nonuniform Sampling Frequencies. Sensors, 20(9). Retrieved from https://doi.org/10.3390/s20092700
Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. ArXiv Preprint ArXiv:1605.00003.
Khaloozade. H, & Khaki Sedigh, A. (2005). Modeling and forecasting stock prices using stochastic differential equations. Journal of Economic Research (Tahghighat- E- Eghtesadi) , 40(2). Retrieved from https://jte.ut.ac.ir/article_11454.html [In Persian]
Kim, S. H., Lee, H. S., Ko, H. J., Jeong, S. H., Byun, H. W., & Oh, K. J. (2018). Pattern matching trading system based on the dynamic time warping algorithm. Sustainability, 10(12), 4641.
Leal, M. M., Costa, F. B., & Campos, J. T. L. S. (2019). Improved traditional directional protection by using the stationary wavelet transform. International Journal of Electrical Power & Energy Systems, 105, 59–69.
Mallat, S. (2009). A wavelet tour of signal processing: the sparce way. AP Professional, Third Edition, London.
Mohammadi, A., Mosleh Shirazi, A., Abbasi, A., & Akhlaghpour, S. (2019). Scenario planning of factors affecting market capitalization of Tehran stock exchange using system dynamics approach. Financial Management Perspective, 9(26), 33–68. Retrieved from https://doi.org/10.52547/jfmp.9.26.33 [In Persian]
Myers, C., Rabiner, L., & Rosenberg, A. (1980). Performance tradeoffs in dynamic time warping algorithms for isolated word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(6), 623–635.
Osoolian, M., & Koushki, A. (2020). Investigating the Crisis Forecasting Ability of the Cumulative Residual Entropy Measure by using Logistic Map Simulation Data and Tehran Stock Exchange Overall Index. Financial Management Perspective, 10(31), 9–27. Retrieved from https://doi.org/10.52547/jfmp.10.31.9
Paliwal, D., Choudhur, A., & Govandhan, T. (2014). Identification of faults through wavelet transform vis-à-vis fast Fourier transform of noisy vibration signals emanated from defective rolling element bearings. Frontiers of Mechanical Engineering, 9, 130–141.
Raei, R., Mohammadi, S., & Fendereski, H. (2015). Forecasting Stock Index With Neural Network and Wavelet Transform. Journal of Asset Management and Financing, 3(1), 55–74. https://www.sid.ir/paper/245714/fa [In Persian]
Rezagholizadeh, M., elmi, Z., & mohammadi majd, S. (2023). The Effect of Financial Stress on the Stock Return of Accepted Industries in Tehran Stock Exchange. Quarterly Journal of Quantitative Economics (JQE), 20(1), 32-73. doi: 10.22055/jqe.2021.35405.2284[In Persian]
Raoofi, A., & Mohammadi, T. (2018). Forecasting Tehran Stock Exchange Index Returns Using a Combination of Wavelet Decomposition and Adaptive Neural Fuzzy Inference Systems. Iranian Journal of Economic Research, 23(76), 107–136. Retrieved from https://doi.org/10.22054/ijer.2018.9514 [In Persian]
Sadeghi, H., & Beheshti Tabar, M. (2019). Application of Dynamic Time Warping (DTW) method to measure the distance of financial time series. In Yazd University (Ed.), . 4th Conference on Financial Mathematics and Applications (102-106). Yazd: Reasearch Center For Mathematical Modeling. https://research.shahed.ac.ir/ [In Persian]
Shojaei, A., & Heidarzadeh Hanzaei, A. (2021). The Comparison of Cryptocurrency Returns Prediction Based on Geometric Brownian Motion and Wavelet Transform. Financial Engineering and Portfolio Management, 12(47), 92–111.
Tehrani, R., Mohammadi, Sh., & Mohammad Alizadeh, A. (2010). Investigating the Relationship between Stock Returns and Inflation in Tehran Stock Exchange at Different Times Using Wavelet Transform. journal of Economic Research, 11(2), 225-244. https://joer.atu.ac.ir/article_2591.html [In Persian]
Zolfaghari, M. (2018). Investigating the effect of macroeconomic variables on the value of stock transactions on the stock exchange. Tehran Stock Exchange Publications, 38–51. https://www.noormags.ir/view/fa/articlepage/1487990/ [In Persian].
فصلنامه علمی پژوهشی اقتصاد مقداری
دوره 21، شماره 1 - شماره پیاپی 80
دوره بیست و یکم، شماره اول، بهار 1403 (شماره مسلسل 80)
خرداد 1403
صفحه 1-28
فایل ها
سابقه مقاله
  • تاریخ دریافت: 16 آبان 1401
  • تاریخ بازنگری: 05 اسفند 1401
  • تاریخ پذیرش: 30 اردیبهشت 1402
هم رسانی
ارجاع به این مقاله
آمار