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.

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.

پیش بینی شاخص بورس, الگوریتم انتخاب ویژگی, تابع پایه شعاعی, رگرسیون بردارپشتیبان, شبکه عصبی عمیق