دراسة جدوى طريقة انحدار المتجهات الداعمة غير الخطية وطرق تقليل المتغيرات المستقلة في التنبؤ بعوائد الأسهم مقالة

ملخص الجهاز:

وفي بعض البحوث، تم أيضًا استخدام طريقة الشبكات العصبية الاصطناعية غير الخطية ٧، حيث تشير نتائج هذه البحوث إلى أداء أفضل لهذه الطريقة مقارنة بالطريقة الخطية (على سبيل المثال، Azar و Karimi، ١٣٨٨ و Hemmatfar وآخرون، ١٣٩٠). ومع ذلك، وعلى الرغم من الأداء الأفضل لطريقة انحدار متجه الدعم غير الخطية ٨ مقارنة بالشبكات العصبية الاصطناعية في التنبؤ ببعض المتغيرات المحاسبية (على سبيل المثال، Lee and Min ٩، ٢٠٠٤ و Lee and To ١٠، ٢٠١٠)، إلا أنه لم يتم إجراء بحث حتى الآن في بورصة أوراق مال طهران في مجال التنبؤ بالعائد باستخدام هذه الطريقة. بالإضافة إلى ذلك، في البحوث التي أجريت في مجال التنبؤ بالعائد، كان الهدف والتركيز الأساسي هو تقديم نماذج مناسبة ودقيقة للتنبؤ، وقد تم التركيز بشكل أقل على تقليل المتغيرات ١١ (اختيار المتغيرات ١٢ واستخراج 1 Capital Asset Pricing Model (CAPM) 2 Factor Model 3 Arbitrage 4 Technical Analysis 5 Fundamental Analysis 6 Kothari 7 Artificial Neural Network (ANN) 8 Support Vector Regression (SVR) 9 Lee and Min 10 Lee and To 11 Variable Reduction 12 Feature (Variable) Selection المتغيرات أو العوامل ١) وقد تم تناول الطرق المناسبة لذلك. وفي هذا السياق، يهدف البحث الحالي إلى التنبؤ بعائد الأسهم باستخدام الانحدار غير الخطي للمتجهات الداعمة، ودراسة مدى فائدة طرق تقليل المتغيرات القائمة على الارتباط والتحليل العاملي على أداء التنبؤ. “Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress”, International Journal of Artificial Intelligence & Applications, Vol. 1, No. 3, pp.