ارایه یک مدل ترکیبی به منظور تحلیل تطبیقی الگوریتم های خوشه بندی داده های مالی

الگوریتم های خوشه بندی، ابزارهای مفیدی برای درک ساختار داده ها و طبقه بندی آن ها در مجموعه داده های مختلف می باشند. با توجه به اهمیت به کارگیری این الگوریتم ها در تحلیل داده های بازارهای مالی که از حجم و گستردگی بالایی برخوردارند، این پژوهش به منظور انتخاب بهترین الگوریتم خوشه بندی برای خوشه بندی شرکت های حاضر در بورس اوراق بهادار تهران در حوزه مالی از الگوریتم های خوشه بندی مختلف استفاده نموده و به ارزیابی اعتبار این الگوریتم ها و انتخاب بهترین الگوریتم پرداخته است.

روش شناسی پژوهش:

 این پژوهش از نظر هدف، کاربردی و از نظر روش اجرا توصیفی و از نوع کمی (مدل سازی ریاضی) است. جامعه آماری تحقیق شامل 403 شرکت حاضر در بورس اوراق بهادار تهران در سال 98 است که عملکرد آن ها بر اساس چهار معیار مالی ارزیابی شده است.

پس از خوشه بندی شرکت های مورد بررسی توسط پنج الگوریتم خوشه بندی K-Means، EM، COBWEB، الگوریتم مبتنی بر چگالی و روش وارد، از هفت شاخص RS، DB، دان، SD، خلوص، آنتروپی و زمان برای ارزیابی الگوریتم های خوشه بندی استفاده گردید. در نهایت، عملکرد نهایی الگوریتم های به کار رفته بر اساس روش های تاپسیس، ویکور و تحلیل پوششی داده ها مورد تجزیه وتحلیل قرار گرفت. بر اساس نتایج، روش K-Means از عملکرد بهتری در خوشه بندی شرکت ها بر اساس مجموعه داده های مالی برخوردار است.

اصالت/ارزش افزوده علمی: 

از آن جایی که هیچ الگوریتم خوشه بندی نمی تواند بهترین عملکرد را در تمام اندازه گیری ها برای هر مجموعه داده داشته باشد، این پژوهش ضمن به کارگیری ترکیبی از معیارهای چند گانه به منظور تجزیه وتحلیل الگوریتم های خوشه بندی داده های مربوط به حوزه ارزیابی عملکرد مالی شرکت ها، به ارایه پیشنهاداتی پرداخته و نتایج این پژوهش برای سرمایه گذاران حوزه مالی کاربرد موثر داشته که منجر به انتخاب بهینه سبد سرمایه گذاری می شود.