Prediction-Based Portfolio Optimization Model for Iran’s Oil Dependent Stocks Using Data Mining Methods

Document Type: Research Paper

Authors

Faculty of Economics, Kharazmi University, Tehran, Iran.

10.22099/ijes.2020.34367.1595

Abstract

This study applied a prediction-based portfolio optimization model to explore the results of portfolio predicament in the Tehran Stock Exchange. To this aim, first, the data mining approach was used to predict the petroleum products and chemical industry using clustering stock market data. Then, some effective factors, such as crude oil price, exchange rate, global interest rate, gold price, and S&P 500 index, were used to estimate each industry index using Radial Basis Function and Multi-Layer Perceptron neural networks. Finally, by comparing the validation ratios in a bullish market using K-Means, SOM, and Fuzzy C-means clustering algorithms, the best algorithm was employed to predict indicators for each industry. The sample was collected between December 15, 2008, and April 25, 2018. The results revealed that the Multi-Layer Perceptron algorithm had the highest accuracy and was the best option for portfolio predicament. However, the Fuzzy C-means algorithm produced the best clusters. Practical results showed that Sepahan oil and Kharg petrochemical stocks were the most important stocks in the short term while Kharg petrochemical, Fannavaran petrochemical, and Tehran oil refinery stocks made higher contributions in a stock portfolio in the medium- or long-term.

Keywords


Article Title [Persian]

بهینه‌سازی پرتفوی مبتنی بر پیش‌بینی برای سهام گروه‌های وابسته به نفت در ایران با استفاده از روش‌های داده کاوی

Authors [Persian]

  • محمد صیادی
  • میثم امیدی
دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران.
Abstract [Persian]

هدف اصلی این تحقیق استفاده از یک مدل بهینه‌سازی پرتفوی مبتنی بر پیش‌بینی برای انتخاب پرتفوی سهام گروه‌های وابسته به نفت در بازار بورس تهران است. برای این منظور، ابتدا با استفاده از داده‌های خوشه‌بندی شده بازار سهام و مبتنی بر رهیافت داده‌کاوی، سهام فرآورده‌های نفتی و صنایع شیمیایی پیش‌بینی شده است. سپس، با استفاده از عوامل موثر بر تغییرات شاخص هر گروه مانند قیمت نفت خام، نرخ ارز، نرخ بهره‌ جهانی، قیمت جهانی طلا و شاخص S&P500 شاخص هر صنعت با استفاده از الگوریتم‌های شبکه عصبی MLP و RBF تخمین زده شده و در نهایت با مقایسه عملکرد هر یک از الگوریتم‌ها، بهترین الگوریتم برای پیش‌بینی رفتار شاخص هر صنعت شناسایی شده است. در ادامه با استفاده از الگوریتم‌های خوشه-بندی K-Means، SOM و FCM شرکت‌های موجود در این دوصنعت از لحاظ نسبت‌های مالی خوشه‌بندی شده و با بهترین الگوریتم سهام مناسب از هرگروه شناسایی شده است. نتایج تحقیق بیانگر آن است که الگوریتم MLP ازدقت بالاتری برخوردار است. همچنین الگوریتم FCM بهترین خوشه‌ها را تولید می‌کند. نتایج تجربی نشان می‌دهد، سهام پتروشیمی سپاهان و خارگ در کوتاه‌مدت و پتروشیمی خارگ و فناوران و پالایشگاه نفت تهران بیشترین بازده را در پرتفوی در افق میان‌مدت و بلندمدت دارد.

Keywords [Persian]

  • Stock index
  • Portfolio Optimization
  • Data mining
  • Artificial neural networks
  • clustering