حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 06 01 Prediction of the Iranian Stock Market Using Elliott Wave Oscillations and Relative Strength Index with the Aid of Machine Learning پیش‌بینی بازار سهام ایران با استفاده از نوسانات امواج الیوت و شاخص قدرت نسبی با کمک یادگیری ماشین 1 23 10.61838/jafci.441 FA محمد جواد محمودی دانشیار اقتصاد، عضو هیئت علمی وزارت علوم، تحقیقات و فناوری،تهران،ایران سیده ملیکا لاجوردی کارشناسی ارشد، گروه ریاضی کاربردی، دانشگاه پیام نور، تبریز، ایران پرویز یاری کارشناسی ارشد، گروه ریاضی کاربردی، دانشگاه پیام نور، تبریز، ایران Journal Article 1404/11/01 <p>The present study aimed to predict the trend of the Iranian stock market using the Elliott Wave Oscillator and Relative Strength Index within machine learning algorithms. This quantitative study was conducted using the daily data of the Tehran Stock Exchange Total Index from April 30, 2011, to September 21, 2024. Data were collected from the Iran Financial Information Processing Center and underwent preprocessing procedures including noise removal, normalization, and labeling into buy, sell, and hold categories. Technical signals were extracted through the Elliott Wave Oscillator and Relative Strength Index (RSI). Subsequently, the processed dataset was applied to four machine learning classification algorithms, including Decision Tree, Naïve Bayes, Support Vector Machine, and K-Nearest Neighbors. Seventy percent of the data were used for training and thirty percent for testing the models. Model performance was evaluated using accuracy, precision, and recall indicators. The findings demonstrated that identifying Elliott Waves in the Tehran Stock Exchange Index is feasible and that combining the Elliott Wave Oscillator with RSI effectively detects buy, sell, and hold positions. The machine learning algorithms also showed satisfactory performance in predicting market trends. Among the examined models, the Support Vector Machine and Decision Tree algorithms outperformed the other methods and achieved prediction accuracies above 90 percent. The results further indicated that integrating technical indicators with intelligent learning methods significantly improved forecasting capability and reduced prediction errors. The findings suggest that Elliott Wave Theory combined with the Relative Strength Index and machine learning algorithms can serve as an effective framework for predicting the Iranian stock market trend. This integrated approach may assist investors and traders in identifying market turning points, managing investment risk, and making more accurate trading decisions while supporting the development of intelligent financial forecasting systems.</p> <p>هدف پژوهش حاضر، پیش‌بینی روند بازار سهام ایران با استفاده از نوسان‌نمای موج الیوت و شاخص قدرت نسبی در چارچوب الگوریتم‌های یادگیری ماشین بود. این پژوهش با رویکرد کمی و با استفاده از داده‌های روزانه شاخص کل بورس اوراق بهادار تهران از تاریخ 30/04/1390تا 31/06/1403 انجام شد. داده‌ها از پایگاه فناوری بورس ایران جمع‌آوری و پس از پیش‌پردازش شامل حذف داده‌های پرت، نرمال‌سازی و برچسب‌گذاری، به سه گروه خرید، فروش و نگهداری تقسیم شدند. برای استخراج سیگنال‌های معاملاتی از نوسان‌نمای موج الیوت و شاخص قدرت نسبی (RSI) استفاده شد. سپس داده‌ها به چهار الگوریتم یادگیری ماشین شامل درخت تصمیم، بیز ساده، ماشین بردار پشتیبان و K-نزدیک‌ترین همسایه وارد شدند. 70 درصد داده‌ها برای آموزش و 30 درصد برای آزمون مدل‌ها مورد استفاده قرار گرفت. عملکرد مدل‌ها با شاخص‌هایی نظیر دقت، صحت و فراخوانی ارزیابی شد. نتایج نشان داد که شناسایی امواج الیوت در شاخص بورس اوراق بهادار تهران امکان‌پذیر است و ترکیب نوسان‌نمای موج الیوت با شاخص قدرت نسبی توانایی مناسبی در تشخیص موقعیت‌های خرید، فروش و نگهداری دارد. همچنین الگوریتم‌های یادگیری ماشین در پیش‌بینی روند شاخص کل عملکرد مطلوبی ارائه کردند. در میان مدل‌های مورد بررسی، ماشین بردار پشتیبان و درخت تصمیم نسبت به سایر الگوریتم‌ها عملکرد دقیق‌تری داشتند و توانستند روند بازار را با دقتی بیش از 90 درصد پیش‌بینی کنند. نتایج همچنین نشان داد که استفاده هم‌زمان از شاخص‌های تکنیکال و روش‌های هوشمند موجب بهبود توانایی پیش‌بینی و کاهش خطای مدل‌ها شده است. یافته‌های پژوهش نشان داد که نظریه امواج الیوت در کنار شاخص قدرت نسبی و الگوریتم‌های یادگیری ماشین می‌تواند ابزار مؤثری برای پیش‌بینی روند بازار سهام ایران باشد. استفاده از این رویکرد ترکیبی می‌تواند به سرمایه‌گذاران و معامله‌گران در شناسایی نقاط بازگشت بازار، مدیریت ریسک و اتخاذ تصمیمات معاملاتی دقیق‌تر کمک کند و زمینه توسعه سامانه‌های هوشمند تحلیل بازار سرمایه را فراهم سازد.</p> https://jafci.com/index.php/jafci/article/download/441/245