چکیده:
در اين پژوهش، يك مدل پيشبيني براساس روش ماشين بردار پشتيبان تعديلشده با استفاده از وزنداركردن تابع جريمه مدل با توجه به حجم معاملات واقعي روزانه به منظور افزايش دقت پيش بيني نوسان هاي كوتاه مدت در بازار سهام و دستيابي به استراتژي معاملاتي بهينه، ارائه شده است. همراه با طبقهبنديكننده ماشين بردار پشتيبان تعديلشده، از يك روش انتخاب ويژگي هيبريد، مركب از يك بخش فيلتركننده و يك بخش پوششدهنده به منظور انتخاب زيرمجموعهاي بهينه از ويژگيها استفاده شده است. همچنين به منظور بررسي توانايي مدل پيشنهادي در پيشبيني روند قيمت، يك استراتژي معاملاتي بر پايه نتايج مدل داده ميشود. ورودي مدل چندين شاخص تحليل تكنيكال و شاخصهاي آماري متعددي هستند كه براي تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شدهاند. نتايج نشان ميدهد كه مدل ماشين بردار پشتيبان وزندهي شده، همراه با روش انتخاب ويژگي هيبريد پيشنهاد شده، ميزان دقت پيشبيني را به ميزان قابل توجهي افزايش داده و نيز نتايج استراتژي معاملاتي پيشنهادشده را نسبت به استراتژيهاي رقيب، هم از لحاظ ميزان بازده كلي و هم از لحاظ ميزان بيشينه ضرر در طول دوره سرمايهگذاري بهبود مي بخشد.
In this study، a prediction model based on support vector machines (SVM) improved by introducing a volume weighted penalty function to the model was introduced to increase the accuracy of forecasting short term trends on the stock market to develop the optimal trading strategy. Along with VW-SVM classifier، a hybrid feature selection method was used that consisted of F-score as the filter part and supported Sequential forward selection as the wrapper part، to select the optimal feature subset. In order to verify the capability of the proposed model in successfully predicting short term trends، a trading strategy was developed. The model input included several technical indicators and statistical measures that were calculated for chosen 10 stocks from Tehran Stock Exchange. The results show that the VW-SVM، combined with the hybrid feature selection method، significantly increases the profitability of the proposed strategy compared to rival strategies، in terms of both overall rate of return and the maximum draw down during trading period.