کاوش پویایی های مشترک دربازارهای مالی بااستفاده ا زروشهای داده کاوی مطالعه ای دربورس اوراق بهادارتهران

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 529

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

OICONFERENCE01_639

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

درپی رشد روزافزون داده های تولید شده توسط بازارهای مالی همچون بورس اوراق بهادار و به منظور بهره گیری موثر ازاین داده ها شناسایی تکنیک های هوشمند برای استخراج اطلاعات ازاین مجموعه داده های بزرگ به امری ضروری و حیاتی تبدیل شده است یکی ازمسائل بسیارمهم سرمایه گذاران دربازارهای سرمایه اطلاع ازارتباط بین سهم های مختلف و مدلسازی این بازارها است داده کاوی فرایند نوینی است که میتواند منجر به کشف الگوها و مدلهای جالب موجود درداده های مالی شود به همین منظور و باهدف کشف یک دانش کاربردی مفید دراین پژوهش دوروش خوشه بندی سلسله مراتبی به عنوان یک الگوریتم داده کاوی برروی 27سهم ازشرکت های بزرگ پذیرفته شده دربورس اوراق بهادارتهران اعمال شد نتایج پژوهش نشان میدهد که با اجرای الگوریتم های خوشه بندی سلسله مراتبی خوشه هایی ازسهم ها شناسایی شد که درهرخوشه سهم ها باتوجه به صنعتی که درآن فعالیت می کنند به یکدیگر پیوند خورده اند به کارگیری روش خوشه بندی سلسله مراتبی پیوند میانگین گروهی وزن دار توانست یک سلسله مراتب به خوبی تعریف شده ازهمبستگی سهم های موردمطالعه کشف کرده و ساختارخوشه ای واضح تری نسبت به روش تک پیوندی ارایه سازد

کلیدواژه ها:

بازارسهام ، خوشه بندی سلسله مراتبی ، داده کاوی

نویسندگان

شریفه فروغی دهنوی

کارشناس ارشدمدیریت بازرگانی مالی دانشکده اقتصادمدیریت و حسابداری دانشگاه یزد

حجت الله صادقی

استادیار دانشکده اقتصادمدیریت و حسابداری دانشگاه یزد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • First International Conference on Business and Organizational Intelligence 2016 نخستین ...
  • methods. The Data Mining and Knowledge clustering-ه1 25. Rokach, L., ...
  • Basalto, N. Bellotti, R. De Carlo, F., Facchi, P., & ...
  • Berkhin, P. (2006). A survey of clustering data mining techniques ...
  • Bonanno, G. Lillo, F., & Mantegna, R. N. (2001). Levels ...
  • Borysov, P., Hannig, J., & Marron, J. (2014). Asymptotics of ...
  • _ Bouguettaya, A., Yu, Q., Liu, X., Zhou, X., & ...
  • Brida, J. G., & Risso, W. A. (201 0). Hierarchical ...
  • Cha, S.-H. (20 07). Comprehensive Survey on Distance. Similarity Measures ...
  • Dahan, H., Cohen, S., Rokach, L., & Maimon, O. (2 ...
  • Durante, F., Pappada, R., & Torelli, N. (2014). Clustering of ...
  • _ Gan, G. Ma, C., & Wu, J. (20 07). ...
  • Hajizadeh, E., Ardakani, H. D., & Shahrabi, J. (2010). Application ...
  • Han, J., & Kamber, M. (2001). Data mining: concepts and ...
  • Hastie, T. J., Tibshirani, R. J., & Friedman, J. H. ...
  • Ho, A. D., & Carol, C. Y. (2015). Descriptive Statistics ...
  • Jain, A. K., Murty, M. N., & Flynn, P. J. ...
  • Kantar, E., Deviren, B., & Keskin, M. (2014). Hierarchical structure ...
  • Kantar, E., Keskin, M. & Deviren, B. (2012). Analysis of ...
  • Kocakaplan, Y., Deviren, B., & Keskin, M. (2012). Hierarchical structures ...
  • 9 . Kogan, J., Nicholas, C., & Teboulle, . (2006). ...
  • Naylor, M. J., Rose, L. C., & Moyle, B. J. ...
  • Olson, D. L., & Delen, D. (20 08). Advanced dato ...
  • Paulus, M., & Kristoufek, L. (2015). Worldwide clustering of the ...
  • Rydell, S. (2013). The use of extreme value theory and ...
  • Seifert, J. W. (20 _ 4). Data mining: An overview. ...
  • Tumminello, _ Lillo, F., & Mantegna, R. N. (20 07). ...
  • Wang, G.-J., & Xie, C. (2015). Correlation structure and dynamics ...
  • Zhang, B., & Srihari, S. N. (2003). Properties of binary ...
  • Zhang, D., & Zhou, L. (2004). Discovering golden nuggets: data ...
  • نمایش کامل مراجع