ورود
مقالات فارسیISIکنفرانسهاژورنالها

الگوریتم پیشنهادی برای انتخاب ویژگی های مناسب به منظور پیش بینی شاخص بورس اوراق بهادار تهران

محل انتشار: مجله چشم انداز مدیریت مالی، دوره: 11، شماره: 34
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 177

فایل این مقاله در 33 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1425567

شناسه ملی سند علمی:

JR_FINANC-11-34_002

تاریخ نمایه سازی: 22 فروردین 1401

چکیده مقاله:

عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبط­ترین و تاثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از این­رو در مطالعه حاضر، برای پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویت­بندی ویژگی­ها با الگوریتم MID نموده، سپس از ۴ مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهم­ترین و بدیع­ترین مدل­های پیش­بینی می­باشند، استفاده می­شود. با توجه به نتایج بدست آمده از تحلیل مدل­های مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگی­های مناسب برای پیش­بینی شاخص، تحت عنوانISF­_MID پیشنهاد شده و با تعدادی از روش­های مشابه، مقایسه می­گردد. داده­های مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی ۲۸/۱۰/۱۳۹۲ تا ۳۰/۵/۱۳۹۷ جمع­آوری شده­اند. مدل­های مورد بررسی در مرحله پیاده­سازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل­های مذکور استفاده می­شود. نتایج نشان می­دهد که با روش­ پیشنهادی، می­توان با ۷ ویژگی انتخابی به دقت بالایی در پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران دست­یافت.

کلیدواژه ها:

نویسندگان

سمیه محبی

دانشجوی دکتری مدیریت مالی، دانشگاه شهید یهشتی، تهران، ایران.

محمداسماعیل فدائی نژاد

دانشیار، گروه مدیریت مالی و بیمه، دانشگاه شهید یهشتی، تهران، ایران

محمدرضا حمیدی زاده

استاد، گروه مدیریت بازرگانی، دانشگاه شهید بهشتی، تهران،ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Arévalo, R., García, J., Guijarro, F., & Peris, A. )۲۰۱۷(. ...
  • Asadi, Sh., Hadavandi, E., Mehmanpazir, F., & Nakhostin, M. M. ...
  • Atsalakis, G. S., & Valavanis, K. P. (۲۰۰۹). Surveying stock ...
  • Badiei, H., Rezazadeh, R., & Mahmoudi, H. (۲۰۱۷). Forecasting Stock ...
  • Botshekan, M., & Mohseni, H. (۲۰۱۸). Investigation volatility spillovers between ...
  • Chong, E., Han, Ch., & Park F. (۲۰۱۷). Deep learning ...
  • Ding, C., & Peng, H. (۲۰۰۵). Minimum redundancy feature selection ...
  • Enke, D., Thawornwong, S. (۲۰۰۵). The use of data mining ...
  • Faghihi Nezhad, M., & Minaei, B. (۲۰۱۸). Prediction of Stock ...
  • Gunduz, H., & Cataltepe, Z. (۲۰۱۵). Borsa Istanbul (BIST) daily ...
  • Guresen, E., Kayakutlu, G., & Daim, T. U. (۲۰۱۱). Using ...
  • Henrique, B. M., Sobreiro, V. A., & Kimura, H. (۲۰۱۹). ...
  • Hinton, G. E., & Salakhutdinov, R. R. (۲۰۰۶). Reducing the ...
  • Hiransha, M., Gopalakrishnan, E. A., Menon, V. K., & Soman, ...
  • Hu, Y., Liu, K., Zhang, X., Su, L., Ngai, E. ...
  • Huang, C. F. (۲۰۱۲). A hybrid stock selection model using ...
  • Huang, C. L., & Tsai, C. Y. (۲۰۰۹). A hybrid ...
  • Lam, M. (۲۰۰۴). Neural network techniques for financial performance prediction: ...
  • Lee, H., Grosse, R., Ranganath, R., & Ng, A. Y. ...
  • Lee, M. C. (۲۰۰۹). Using support vector machine with a ...
  • Long, W., Lu, Z., & Cui, L. (۲۰۱۹). Deep learning-based feature ...
  • Mandal, M., & Mukhopadhyay, A. (۲۰۱۳). An improved minimum redundancy maximum ...
  • Monfared, J., & Alinejad, M., & Metghalchi, S. (۲۰۱۲). A ...
  • Ou, P., & Wang, H. (۲۰۰۹). Prediction of stock market ...
  • Oussar, Y., & Dreyfus, G. (۲۰۰۰). Initialization by selection for ...
  • Pakdin Amiri, A., Pakdin Amiri, M., & Pakdin Amiri, M. ...
  • Qiu, M., & Song, Y. (۲۰۱۶). Predicting the Direction of ...
  • Raee, R., Nikahd, A., & Habibi, M. (۲۰۱۷). The Index ...
  • Singh, R., & Srivastava, S. (۲۰۱۷). Stock prediction using deep ...
  • Sorzano, C. O. S., Vargas, J., & Pascual-Montano, A. (۲۰۱۴). ...
  • Tehrani, R., & Moradpour, S. (۲۰۱۲). Predicting the return of ...
  • Ul Haq, A., Zeb, A., Lei, Z., & Zhang, D. ...
  • Van Der Maaten, L., Postma, E., & Van den Herik, ...
  • ۴۷.Wanga, D., & Zhao,Y.(۲۰۲۰). Using News to Predicton Investor Sentiment:Based ...
  • Yoo, P., Kim, M., & Jan, T. (۲۰۰۵). Machine learning ...
    • نمایش کامل مراجع