بررسی تاثیر متغیرهای کلان اقتصادی بر بازار سهام ایران با استفاده از الگوریتم های داده کاوی

امروزه بیشتر مطالعات در خصوص بازار سهام در اقتصاد ایران در قالب مطالعات اقتصاد سنجی بوده که در جای خود توانسته اند راهنمای سیاستگذاران باشند ولی الگوریتمهای داده کاوی توانایی مضاعفی در خصوص تدوین سیاست های راهبردی ارایه می دهند. با عنایت به نقش واهمیت بازار سهام در اقتصاد کشور، با استفاده از الگوریتم های داده کاوی نسبت به شناسایی متغیرهای مهم و تاثیر گذار بر رابطه بلند مدت شاخص کل قیمت سهام اقدام گردید. ابتدا داده های ماهانه 1384-1396  استخراج شده و پس از پردازش، ده الگوریتم وزن دهی بر روی آنها اعمال شدد. نتایج نشان داد که سه متغیر نرخ تورم، تراز تجاری و تولید ناخالص داخلی توسط 80% از الگوریتم های وزن دهی به عنوان متغیرهای مهم معرفی شدند. در میان سه متغیر فوق بیشترین وزن (بالاتر از ۰.۹) به ارزش تولید ناخالص داخلی داده شد. الگوریتم های درخت تصمیم با دقت زیاد (96.5%) قادر بودند بین دسته های شاخص سهام تمایز قایل شده و مجددا ارزش تولید ناخالص داخلی به عنوان متغیر اصلی معرفی گردید. الگوی مربوط به نرخ سود سپرده یکساله نشان داد که بین متغیرهای تولید ناخالص داخلی، حجم حقیقی پول، نرخ تورم، تراز تجاری و نرخ حقیقی ارز با قیمت سهام رابطه مثبت و بین کسری حقیقی بودجه دولت، نرخ بهره آمریکا و نرخ سود سپرده یکساله رابطه منفی وجود داشته که با مدل تئوری سازگار بودند. نتایج این مطالعه که برای اولین بار گزارش می شود میتواند افق جدیدی را جهت سرمایه گذاران و سیاستگذاران بازار بورس را فراهم نماید Most stock market studies in Iranian economy have been done in econometrics format, which have been useful for policy makers; but data mining algorithms provide double abilities to implement guidance policies. Regarding the importance of stock market in the country, data mining algorithms have been employed to investigate the most important features on stock market rates. Monthly data (2005-2011) extracted and after preprocessing and data cleansing, ten attribute weighting algorithms (AWA) applied. The results showed three features (inflation rate, GDP and trade balance) were the most important ones selected by 80% of AWA. GDP gained the highest weight (more than 90%) and tree induction algorithms used the same feature (with 96.5% precision) to differentiate between the stock rate classes. The results confirmed a positive relationship between GDP, real value of money, inflation rate, trade balance and real exchange rate with stock prices while government’s real budget deficit, USA inflation rate and one-year interests rate revealed negative relations; compatible with the theoretical model. The results that reported for the first time can open up new vistas for investors and policy makers.