الگوریتم پیشنهادی برای انتخاب ویژگی های مناسب به منظور پیش بینی شاخص بورس اوراق بهادار تهران
عنوان مقاله: الگوریتم پیشنهادی برای انتخاب ویژگی های مناسب به منظور پیش بینی شاخص بورس اوراق بهادار تهران
شناسه ملی مقاله: JR_FINANC-11-34_002
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_FINANC-11-34_002
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
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.
خلاصه مقاله:
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.
کلمات کلیدی: پیش بینی شاخص بورس, الگوریتم انتخاب ویژگی, تابع پایه شعاعی, رگرسیون بردارپشتیبان, شبکه عصبی عمیق
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1425567/