سید محمدرضا حبیب زاده

سید محمدرضا حبیب زاده

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱ مورد از کل ۱ مورد.
۱.

بررسی دستکاری قیمت ها در بازار بورس ایران با استفاده از مدل ترکیبی خودرمزگذار متغیر-حافظه کوتاه مدت طولانی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: بازار سرمایه دستکاری قیمت یادگیری عمیق VAE - LSTM

حوزه‌های تخصصی:
تعداد بازدید : ۱۷ تعداد دانلود : ۱۵
هدف: بازار سرمایه به عنوان یکی از اصلی ترین بخش های اقتصادی کشورها، نقش با اهمیتی در توسعه و گسترش فعالیت اقتصادی دارد. با توسعه تکنولوژی و الگوریتم های معاملاتی پیچیده، دستکاری سهام با سهولت بیشتری رخ داده و این امر سبب می شود تا استفاده از ابزارهای مانند هوش مصنوعی و یادگیری عمیق برای شناسایی دستکاری توسط نهادهای ناظر ناگزیر باشد. هدف از این پژوهش، شناسایی دستکاری سهام در بازار بورس ایران است. برای این کار از اطلاعات 73 سهم از 19 صنعت پذیرش شده در بورس طی 1398 الی 1402، روزهای معاملاتی تقریبی 71،300 استفاده شده است.روش: شناسایی دستکاری در معاملات سهام به دلیل همبستگی زمانی داده های قیمت سهام و پویا بودن آن، چالش مهمی را به وجود می آورد. این چالش با در دسترس نبودن داده های برچسب گذاری شده نیز تشدید می شود. از این رو باتوجه به عدم اعلام سهام دستکاری شده توسط ناظر بورس در بازار ایران، شناسایی داده ها: 1) آزمون های آماری مانند بازدهی غیرنرمال، سهام دستکاری شده و تاریخ دقیق دستکاری مشخص شده است. 2) داده های تصادفی با شبیه سازی الگوی دستکاری سهم، به سری زمانی سهامی که با اطمینان بالایی در آن ها دستکاری رخ نداده (پرسشنامه خبرگان)، تزریق شده است. در گام بعدی با استفاده از ترکیب مدل های خودرمزگذار متغیر و حافظه کوتاه مدت طولانی، الگوریتم VAE- LSTM برای مقایسه با برخی مدل ها یادگیری ماشین از قبیل درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک و.. طراحی گردیده که احتمال دستکاری سهم را محاسبه می نماید.یافته ها: پس از اجرای مدل های یادگیری عمیق شاخص های دقت و بازخوانی و  F1 و F2  محاسبه شد. به دلیل اینکه در بازار سرمایه دسته بندی سهام دستکاری شده و نشده از اهمیت یکسانی برخوردار نیست، برای رتبه بندی مدل ها از شاخص ارزیابی عملکردی F2 استفاده شده است. به ترتیب مدل های VAE-LSTM، درخت تصمیم، جنگل تصادفی، شبکه عصبی چندلایه، ماشین بردار پشتیبان، رگرسیون لجستیک عملکردی بهتری از خود نشان دادند. مقدار حدودی F2 مدل های مذکور به ترتیب : 72درصد، 69درصد، 50درصد، 41درصد، 40درصد و 26درصد است.نتیجه گیری: در نهایت مدل پیشنهاد شده براساس شاخص ارزیابی عملکرد F2 نسبت به سایر مدل ها توانایی بهتری در شناسایی دستکاری از خود نشان داده است. ذکر این نکته ضروری است که سایر مدل های یادگیری ماشین استفاده شده در این پژوهش نیز عملکرد مناسبی به خصوص در شاخص ارزیابی دقت داشته اما متأسفانه از نظر شاخص عملکردی بازخوانی که مهم تر می باشد، عملکرد ضعیف تری داشته اند. پس از تعیین مدل پیشنهادی به عنوان مدل برگزیده، براساس شاخص کل بورس تهران، دوره صعودی بازار سرمایه را در بازه زمانی 01/12/1398 تا 31/05/1399، دوره نزولی بازار سرمایه را در بازه زمانی 21/05/1399 تا 20/08/1399 و سال 1400 را به عنوان دوره تعادل بازار سرمایه در نظر گرفته ایم که مطابق با انتظار، احتمال دستکاری به ترتیب در بازارهای صعودی، متعادل و نزولی بیشتر است.این نتایج به طور کلی با سایر مطالعات پیشین نیز هم سو می باشد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان