نوع مقاله : مقاله پژوهشی - کاربردی
نویسندگان
گروه مدیرت صنعتی، دانشکده مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.
چکیده
هدف: الگوریتم‌های خوشه‌بندی، ابزارهای مفیدی برای درک ساختار داده‌ها و طبقه‌بندی آنها در مجموعه داده‌های مختلف می‌باشند. با توجه به اهمیت بکارگیری این الگوریتم‌ها در تحلیل داده‌های بازارهای مالی که از حجم و گستردگی بالایی برخوردارند، این پژوهش به منظور انتخاب بهترین الگوریتم خوشه بندی برای خوشه‌بندی شرکت‌های حاضر در بورس اوراق بهادار تهران در حوزه مالی از الگوریتم‌های خوشه‌بندی مختلف استفاده نموده و به ارزیابی اعتبار این الگوریتم‌ها و انتخاب بهترین الگوریتم پرداخته است.
روش‌شناسی پژوهش: این پژوهش از نظر هدف، کاربردی و از نظر روش اجرا توصیفی و از نوع کمی (مدلسازی ریاضی) است. جامعه آماری تحقیق به منظور آزمون مدل پیشنهادی شامل 403 شرکت حاضر در بورس اوراق بهادار تهران در سال 98 است که عملکرد آنها بر اساس چهار معیار مالی ارزیابی شده است.
یافتهها: پس از خوشه‌بندی شرکت‌های مورد بررسی توسط پنج الگوریتم خوشه‌بندی k-means، EM، COBWEB، الگوریتم مبتنی بر چگالی و روش وارد، از هفت شاخص RS، DB، دان، SD، خلوص، آنتروپی و زمان برای ارزیابی الگوریتم‌های خوشه‌بندی استفاده گردید. در نهایت، عملکرد نهایی الگوریتم‌های بکار رفته بر اساس روش‌های تاپسیس، ویکور و تحلیل پوششی داده‌ها مورد تجزیه و تحلیل قرار گرفت. بر اساس نتایج، روش k-means نسبت به سایر روش‌های بکار رفته، از عملکرد بهتری در خوشه‌بندی شرکت‌ها بر اساس مجموعه داده‌های مالی برخوردار است.
اصالت/ارزش افزوده علمی: از آنجایی که هیچ الگوریتم خوشه بندی ای نمی تواند بهترین عملکرد را در تمام اندازه گیری ها برای هر مجموعه داده داشته باشد، این پژوهش ضمن بکارگیری ترکیبی از معیارهای چندگانه به منظور تجزیه و تحلیل الگوریتم های خوشه بندی داده های مربوط به حوزه ارزیابی عملکرد مالی شرکت ها، به ارائه پیشنهاداتی پرداخته و نتایج این پژوهش برای سرمایه گذاران حوزه مالی کاربرد موثر داشته که منجر به انتخاب بهینه سبد سرمایه گذاری می شود.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Developing a hybrid model for comparative analysis of financial data clustering algorithms
نویسندگان [English]
- Mojtaba Movahedi
- Mahdi Homayounfar
- Mehdi Fadaei
- Mansour Soufi
Department of Industrial Management, Faculty of Management and Accounting, Rasht Branch, Islamic Azad University, Rasht, Iran.
چکیده [English]
Purpose: Clustering algorithms are useful tools for understanding data structure and classifying them into different data sets. Due to the importance of using these algorithms in analyzing financial market data that have a high volume and scope, this study in order to select the best clustering algorithm for clustering companies listed on the Tehran Stock Exchange in the field of finance from It has used different clustering algorithms and evaluated the validity of these algorithms and selected the best algorithm.
Methodology: This research is applied in terms of purpose and descriptive in terms of implementation method and is of quantitative type (mathematical modeling). The statistical population of the research to test the proposed model includes 403 companies listed on the Tehran Stock Exchange in 2019, whose performance has been evaluated based on four financial criteria.
Findings: After clustering the surveyed companies by five clustering algorithms K-means, EM, COBWEB, Density-based algorithm and Ward method, from seven indicators RS, DB, Dun, SD, Purity, Entropy and Time to evaluate clustering algorithms were used. Finally, the final performance of the algorithms used was analyzed based on TOPSIS, VICOR and DEA methods. Based on the results, the K-means method has a better performance in clustering companies based on financial data sets than other methods used.
Originality/Value: Since no clustering algorithm can have the best performance in all measurements for each data set, this study uses a combination of multiple criteria to analyze data clustering algorithms related to the field of financial performance appraisal. Companies have provided suggestions and the results of this study have been used effectively for investors in the field of finance, which leads to the optimal choice of investment portfolio.
کلیدواژه‌ها [English]
- Clustering
- Multi-Criteria Decision Making (MCDM)
- Financial Performance Evaluation
)