Developing a hybrid model to clustering Tehran Stock Exchange companies using meta-heuristic algorithms
Subject Areas :
1
Ali
Mohaghar
2
(University of Tehran)
Keywords: clustering, Tehran Stock Exchange, model K-means, meta-heuristic algorithms, Altman bankruptcy model.,
Abstract :
Investment decision, have always has been one of the most important issues. Investors are trying to achieve the highest efficiency and the least risk by selecting the best companies from Among a wide variety of companies considering to various financial indicators. Accordingly, today, there are many ways to analyze the data from this company. One of the ways is clustering that classification of the companies. However, the present study aimed to identify and distinguish successful from unsuccessful companies in Tehran Stock Exchange has been done using K-means clustering. Then this problem is solved using meta-heuristic algorithms. The results indicate that meta-heuristic algorithms compared with conventional methods, more efficient and have led to a global optimum. Also these results of Altman’s bankruptcy model were confirmed results of meta-heuristic algorithms.
تقوي فرد محمدتقي، منصوري طاها و خوش طينت محسن. (1386). ارايه يك الگوريتم فراابتكاري جهت انتخاب سبد سهام با در نظر گرفتن محدوديت‌هاي عدد صحيح پژوهش‌هاي اقتصادي، 7(4): 49-69.
تقي‌زاده هوشنگ و پورربي ميروحيد (1389). ارزيابي کارايي شرکت‌هاي توليدکننده سيمان در بورس اوراق بهادار تهران با استفاده از مدل تحليل پوششي داده‌ها (1387-1381)، پژوهشنامه اقتصادي، 7: 199-220.
خواجوي شكراله، سليمي فرد عليرضا و ربيعه مسعود (1384)، كاربرد تحليل پوششي داده ها (DEA) در تعيين پرتفويي از كارآترين شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران، علوم اجتماعي و انساني دانشگاه شيراز، 22 (2): 89-75.
دانش شکيب، معصومه و فضلي، صفر (1388). رتبه بندي شركت‌هاي سيمان بورس اوراق بهادار تهران با استفاده(AHP–TOPSIS) از رويكرد تركيبي، چشم‌انداز مديريت، 32، 129-109.
درخشان مجتبي، گل مكاني حميدرضا و حنفي زاده پيام (1391). رويکردي فراابتکاري براي انتخاب سبد سهام با اهداف چندگانه در بورس اوراق بهادار تهران نشريه بين المللي مهندسي صنايع و مديريت توليد (فارسي) (نشريه بين المللي علوم مهندسي)، 23(3): 318-331.
راعي، رضا، محمدي، شاپور و علي بيكي، هدايت (1390). بهينه‌سازي سبد سهام با رويکرد «ميانگين-نيم واريانس» و با استفاده از روش «جستجوي هارموني»، پژوهش‌هاي مديريت در ايران (مدرس علوم انساني)، 15(3): 105-128.
عبدالعلي‌زاده شهير، سيمين و عشقي، کوروش (1382). کاربرد الگوريتم ژنتيک در انتخاب يک مجموعه دارايي از سهام بورس اوراق بهادار. فصلنامه پژوهش‌هاي اقتصادي ايران،17، 192-175.
فريد داريوش پورحميدي مسعود (1391). بخش‌بندي سهام شرکت‌ها پذيرفته شده در بورس اوراق بهادار تهران با استفاده از تحليل خوشه‌اي فازي، پزوهش‌هاي حسابداري مالي، 4 (3)، 128-105.
قلي‌زاده محمدحسن و ابراهيم پورازبري مصطفي (1388). طرح مدل رتبه‌بندي شرکت‌هاي پذيرفته شده در بورس اوراق بهادار تهران با استفاده از تحليل پوششي داده‌ها (مورد: صنعت مواد غذايي و آشاميدني). پژوهشنامه اقتصادي، 5: 173-193.
گرگز، منصور، عباسي، ابراهيم و مقدسي، مطهره (1389). انتخاب و بهينه‌سازي سبد سهام با استفاده از الگوريتم ژنتيک بر اساس تعاريف متفاوتي از ريسک. مديريت صنعتي دانشکده علوم انساني دانشگاه آزاد اسلامي واحد سنندج، 5 (11)، 136-115.
مهراني، ساسان، مهراني، كاوه، منصفي، ياشار و كرمي، غلامرضا (1384). بررسي کاربردي الگوهاي پيش‌بيني ورشکستگي زيمسکي و شيراتا در شرکت‌هاي پذيرفته شده در بورس اوراق بهادار تهران، بررسي‌هاي حسابداري و حسابرسي، 12 (4)، ١٣١- ١٠٥.
وديعي محمدحسين و شکوهي‌زاده، محمود (1391). بررسي معيارهاي مالي مؤثر بر تصميم‌گيري سرمايه‌گذاران در بورس اوراق بهادار، مجله‌ي دانش حسابداري، 3 (8)، 171-151.
Chen, M.Y. (2013). A hybrid ANFIS model for business failure prediction utilizing particle swarm optimization and subtractive clustering, Information Sciences, 220, 180–195
Alguwaizani, A., Hansen, P., Mladenovic, N. Ngai, E. (2011). Variable neighborhood search for harmonic means clustering, Applied Mathematical Modelling, 35, 2688–2694
Andrés, J.D., Lorca, P., Juez, F. Sánchez-Lasheras, F. (2011). Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS) Expert Systems with Applications, 38, 1866–1875
Atashpaz-Gargari, E., Lucas, C. )2007(. Imperialist Competitive Algorithm: An algorithm for optimization inspired by imperialistic competition. IEEE Congress on Evolutionary Computation, 4661–4667.
Chang, P.Ch., Liu, Ch.H., Fan, Ch.Y. (2009). Data clustering and fuzzy neural network for sales forecasting: A case study in printed circuit board industry Knowledge-Based Systems, 22, 344–355
Chen N., Ribeiro, B., Vieira, A. & Chen, A. (2013) Clustering and visualization of bankruptcy trajectory using self-organizing map Expert Systems with Applications, 40, 385–393
Farvaresh, H. & Sepehri, M. M. (2011). A data mining framework for detecting subscription fraud in telecommunication. Engineering Applications of Artificial Intelligence, 24, 182–194
Güngör, Z., Ünler, A. (2007). K-harmonic means data clustering with simulated annealing heuristic Applied Mathematics and Computation, 184, 199–209
Güngör, Z., Ünler, A. (2008). K-Harmonic means data clustering with tabu-search method, Applied Mathematical Modelling, 32, 1115–1125
Hosseini Nasab, E., Khezri, M., Khodamoradi, M. S. & Atashpaz Gargari E. (2010). An application of Imperialist Competitive Algorithm to Simulation of Energy Demand Based on Economic Indicators: Evidence from Iran, European Journal of Scientific Research, 43 (4), 495-506.
Niknam, T., TaherianFard, E., Narges Pourjafarian, N. & Alireza Rousta, A. (2011). An efficient hybrid algorithm based on modified imperialist competitive algorithm and K-means for data clustering Engineering, Applications of Artificial Intelligence, 24, 306–317
Simon, D. (2008). Biogeography-Based Optimization, IEEE Transactions on Evolutionary Computation, 12 (6), 702-713.
Xiao, J., Yan, Y., Zhang, J. Tang, Y. (2010). A quantum-inspired genetic algorithm for k-means clustering Expert Systems with Applications, 37, 4966–4973.