بررسي تاثير متغيرهاي كلان اقتصادي بر بازار سهام ايران با استفاده از الگوريتم هاي داده كاوي

بدون عنوان

امروزه بيشتر مطالعات در خصوص بازار سهام در اقتصاد ايران در قالب مطالعات اقتصاد سنجي بوده كه در جاي خود توانسته اند راهنماي سياستگذاران باشند ولي الگوريتمهاي داده كاوي توانايي مضاعفي در خصوص تدوين سياست هاي راهبردي ارايه مي دهند. با عنايت به نقش واهميت بازار سهام در اقتصاد كشور، با استفاده از الگوريتم هاي داده كاوي نسبت به شناسايي متغيرهاي مهم و تاثير گذار بر رابطه بلند مدت شاخص كل قيمت سهام اقدام گرديد. ابتدا داده هاي ماهانه 1384-1396 استخراج شده و پس از پردازش، ده الگوريتم وزن دهي بر روي آنها اعمال شدد. نتايج نشان داد كه سه متغير نرخ تورم، تراز تجاري و توليد ناخالص داخلي توسط 80% از الگوريتم هاي وزن دهي به عنوان متغيرهاي مهم معرفي شدند. در ميان سه متغير فوق بيشترين وزن (بالاتر از 0.9) به ارزش توليد ناخالص داخلي داده شد. الگوريتم هاي درخت تصميم با دقت زياد (96.5%) قادر بودند بين دسته هاي شاخص سهام تمايز قايل شده و مجددا ارزش توليد ناخالص داخلي به عنوان متغير اصلي معرفي گرديد. الگوي مربوط به نرخ سود سپرده يكساله نشان داد كه بين متغيرهاي توليد ناخالص داخلي، حجم حقيقي پول، نرخ تورم، تراز تجاري و نرخ حقيقي ارز با قيمت سهام رابطه مثبت و بين كسري حقيقي بودجه دولت، نرخ بهره آمريكا و نرخ سود سپرده يكساله رابطه منفي وجود داشته كه با مدل تئوري سازگار بودند. نتايج اين مطالعه كه براي اولين بار گزارش مي شود ميتواند افق جديدي را جهت سرمايه گذاران و سياستگذاران بازار بورس را فراهم نمايد

Most stock market studies in Iranian economy have been done in econometrics format, which have been useful for policy makers; but data mining algorithms provide double abilities to implement guidance policies. Regarding the importance of stock market in the country, data mining algorithms have been employed to investigate the most important features on stock market rates. Monthly data (2005-2011) extracted and after preprocessing and data cleansing, ten attribute weighting algorithms (AWA) applied. The results showed three features (inflation rate, GDP and trade balance) were the most important ones selected by 80% of AWA. GDP gained the highest weight (more than 90%) and tree induction algorithms used the same feature (with 96.5% precision) to differentiate between the stock rate classes. The results confirmed a positive relationship between GDP, real value of money, inflation rate, trade balance and real exchange rate with stock prices while government’s real budget deficit, USA inflation rate and one-year interests rate revealed negative relations; compatible with the theoretical model. The results that reported for the first time can open up new vistas for investors and policy makers.