نوع مقاله : مقاله علمی

نویسندگان

• مصطفی طامندی ¹
• محیا عسکری پور ²

¹ گروه آمار، دانشکده علوم ریاضی، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران

² معاونت فنی بیمه‌های غیر زندگی بیمه سامان، تهران، ایران

چکیده

پیشینه و اهداف: یکی از معیارهای تصمیم‌گیری برای سرمایه‌گذاری در یک شرکت بورسی، میزان یا تغییرات قیمت سهام آن شرکت در روزها و ماه‌های آتی است. روش‌های متعددی برای پیش‌بینی قیمت سهام و ریسک سرمایه‌گذاری در یک شرکت، مورد‌ مطالعه قرار گرفته است. در اکثر این روش‌ها، قیمت سهام به‌عنوان یک متغیر پاسخ پیوسته پیش‌بینی شده‌ است. برای این منظور، از مدل‌های سری زمانی استفاده می‌شود که در آنها پذیره‌هایی ازجمله نرمال‌بودن اغتشاش‌ها و یا خطی‌بودن مدل اهمیت دارد. هدف از این پژوهش، معرفی یک متغیر پاسخ دو‌رده‌ای براساس جهت حرکت قیمت سهم در روز آتی و معرفی چند روش رده‌بندی آماری برای پیش‌بینی آن است. این مدل‌ها، محدودیت‌های مدل‌های گذشته را ندارند و به همین دلیل مورد ‌توجه هستند. پیاده‌سازی روش‌های مورد‌ مطالعه و مقایسه دقت آنها در پیش‌بینی جهت حرکت قیمت سهام شرکت‌های بیمه بورسی هدف اصلی این مقاله است.
روش‌شناسی: در پژوهش حاضر با استفاده از الگوریتم‌های K-نزدیک‌ترین همسایه‌ها، درخت تصمیم و جنگل تصادفی که در زمره روش‌های ناپارامتری رده‌بندی یادگیری آماری می‌باشند، به پیش‌بینی جهت حرکت قیمت سهام پرداخته‌ایم. داده‌های مورد ‌استفاده در این تحقیق شامل اطلاعات قیمت سهام یکی از شرکت های بیمه در طی سال‌های 1390 تا 1400 است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. برای تعیین دقت مدل‌های مورد ‌مطالعه، داده‌ها به‌صورت تصادفی به دو دسته آموزشی و آزمایشی تقسیم شدند. سپس مدل‌های یادگیری آماری روی داده‌های آموزشی اجرا و اعتبار آنها با استفاده از داده‌های آزمایشی سنجیده شد.
یافته‌ها: نتایج تحقیق حاکی از دقت بالای هر سه مدل ناپارامتری در پیش‌بینی رده قیمت سهام شرکت بیمه مورد‌نظر است. همچنین در بین مدل‌های مورد‌مطالعه، الگوریتم K-نزدیک ترین همسایه‌ها نسبت به سایر الگوریتم‌ها در پیش‌بینی جهت حرکت قیمت سهام عملکرد بهتری از خود نشان داد.
نتیجه‌گیری: با توجه به اهمیت ریسک سرمایه‌گذاری در یک شرکت بیمه برای مشتریان، یافتن مدل مناسب برای رده‌بندی قیمت سهام و مشخص‌نمودن متغیرهای مؤثر در افزایش یا کاهش قیمت، می تواند به مشتریان و شرکت‌های بیمه در تصمیم گیری بهتر کمک کند.

کلیدواژه‌ها

• الگوریتمKNN
• بیمه
• جنگل تصادفی
• درخت تصمیم
• قیمت سهم

موضوعات

• ریاضیات مالی/ کاربردی

عنوان مقاله [English]

Comparison of the accuracy of statistical learning algorithms in predicting of the stock price movement of Saman Insurance Company as a listed insurance company

نویسندگان [English]

• M. Tamandi ¹
• M. Askaripour ²

¹ Department of Statistics, Faculty of mathematical sciences, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran

² Technical Deputy of Non-Life Insurance, Saman Insurance, Tehran,

چکیده [English]

BACKGROUND AND OBJECTIVES: One of the criteria for deciding to invest in a listed company is the amount or changes in the stock price of the company in the future days and months. Various methods have been studied to predict the stock price and investment risk in a company. In most of these methods, the stock price is predicted as a continuous response variable. For this purpose, time series models are used in which assumptions such as the normality of disturbances or the linearity of the model are important. The purpose of this research is to introduce a two-category response variable based on the direction of share price movement in the next day and to introduce some statistical classification methods to predict it. These models do not have the limitations of the previous models, and for that reason they are of interest. The main objective of this article is to implement the studied methods and compare their accuracy in predicting the orientation of stock price movement of stock exchange insurance companies.
Methodology: In the current research, we have predicted the direction of stock price movement by using K-nearest neighbors, decision tree and random forest algorithms, which are among the non-parametric classification methods of statistical learning. The data used in this research includes information on the stock price of one of the insurance companies during the years 2019 to 2020, which has a suitable and high share in the portfolio of the insurance industry. To determine the accuracy of the studied models, the data were randomly divided into two groups, training and testing. Then, the statistical learning models were implemented on training data and their validity was measured using experimental data.
FINDINGS: The research results indicate the high accuracy of all three non-parametric models in predicting the stock price category of the insurance company. Likewise, among the studied models, the K-nearest neighbors algorithm performed better than other algorithms in predicting the direction of stock price movement.
CONCLUSION: Considering the importance of the risk of investing in an insurance company for customers, attainment to a valid model for stock price classification and specifying the variables that increase or decrease the price can help customers and insurance companies make better decisions.

کلیدواژه‌ها [English]

• Decision Tree
• Insurance
• KNN algorithm
• Random Forest
• Stock price