چکیده:
در پژوهش حاضر، مدلی برای پیشبینی روند قیمت سهام برپایهی ماشین بردار پشتیبان وزندهیشده توسط حجمهای روزانه معاملات، همراه با روش انتخاب ویژگی هیبرید F-SSFS ارائه میشود. به منظور ارزیابی دقت پیشبینی، مدل پیشنهادی با مدل ماشین بردار پشتیبان ساده همراه با انتخاب ویژگی هیبرد و نیز با روشهای انتخاب ویژگی مرسوم از جمله بهره اطلاعات[1]، عدم قطعیت متقارن[2] و انتخاب ویژگی بر پایه همبستگی[3]، از طریق انجام آزمون تی زوجی، مقایسه میشود؛ همچنین بهعنوان مجموعه ویژگیهای اولیه که در واقع ورودی ماشین بردار پشتیبان تعدیلیافته هستند، از شاخصهای تحلیل تکنیکال و شاخصهای آماری که برای 10 سهم محاسبه شدهاند، استفاده میشود. نتیجه این پژوهش نشان میدهد که عملکرد ماشینبردار پشتیبان وزندهیشده، در مورد مسئله پیشبینی روند قیمت سهام، به میزان قابلتوجهی بهتر از ماشین بردار پشتیبان ساده است. علاوه براین، نتایج عملیاتی نشانمیدهد که ماشین بردار پشتیبان وزندهیشده همراه با انتخاب ویژگی هیبرید پیشنهادی، بالاترین میزان دقت پیشبینی را نسبت به سه روش انتخاب ویژگی دیگر دارد. براساس نتایج این پژوهش میتوان ادعا کرد مدل VW-SVM همراه با انتخاب ویژگی F-SSFS عملکرد بهتری در پیشبینی قیمت سهم، نسبت به روشهای موجود دارد.
خلاصه ماشینی:
پيش بينيروندقيمت سهام بااستفاده ازماشين بردارپشتيبان تعديل يافته همراه باانتخاب ويژگيهيبريد ١سعيدباجلان *،سعيدفلاحپور**،ناهيددانا *** چکيده در پژوهش حاضر، مدلي براي پيش بيني روند قيمت سهام برپايه ي ماشين بردار پشتيبان وزن دهيشده توسط حجم هاي روزانه معاملات ، همراه با روش انتخاب ويژگي هيبريد F-SSFS ارائه ميشود.
به منظور ارزيابي دقت پيش بيني، مدل پيشنهادي با مدل ماشين بردار پشتيبان ساده همراه با انتخاب ويژگي هيبرد و نيز با روش هاي انتخاب ويژگي مرسوم از جمله بهره اطلاعات ٢، عدم قطعيت متقارن ٣ و انتخاب ويژگي بر پايه همبستگي ٤، از طريق انجام آزمون تي زوجي، مقايسه ميشود؛ همچنين به عنوان مجموعه ويژگيهاي اوليه که در واقع ورودي ماشين بردار پشتيبان تعديل يافته هستند، از شاخص هاي تحليل تکنيکال و شاخص هاي آماري که براي ١٠ سهم محاسبه شده اند، استفاده ميشود.
[2] هرچند که طبق پژوهش هاي انجام شده ، ماشين بردار پشتيبان عملکرد قابل قبولي در پيش بيني و طبقه بندي دارد؛ اما دقت عملکرد آن به ميزان قابل توجهي تحت تاثير تعداد متغيرهاي ويژگي ورودي آن است ؛ بنابراين کاهش تعداد ويژگيهايي که بايد در آموزش ماشين بردار پشتيبان به کار گرفته شود، تاثير به سزايي در افزايش دقت نتايج و کاهش هزينه دارد [١٩، ٢٥]؛ لذا يکي از بهبودهايي که در مطالعات جديد، با توجه به پيشرفت هاي کاربرد روش هاي هوش مصنوعي به کار گرفته شده است ، استفاده از انتخاب ويژگي به عنوان يک پيش مرحله براي مدل طبقه بندي کننده اصلي ميباشد.