آرشیو

آرشیو شماره ها:
۶۶

چکیده

رشد بازار سرمایه با سرعت چشمگیری در حال افزایش است. همین امر باعث تقاضای بالاتر برای اطلاعات، تلاش بیشتر برای پیش بینی و ابداع مدل های جدید پیش بینی آینده بازار شده است. مدلهای پیش بینی در سه دسته قابل طبقه بندی هستند. دسته اول از تحلیل تکنیکی، دسته دوم از تحلیل بنیادین و دسته سوم از داده کاوی و یادگیری ماشین استفاده می کنند. در پژوهش پیش رو با تمرکز بر روش داده کاوی به مقایسه دقت مدل های منتخب یادگیری ماشین شامل شبکه عصبی، رگرسیون لجستیک، نزدیک ترین همسایه k، ماشین بردار پشیبان و اعتبارسنجی ضربدری جهت پیش بینی قیمت سهام برای 12 شرکت منتخب بورس اوراق بهادار تهران که از طریق روش حذف سیستماتیک انتخاب شده اند در قالب مدلهای یادگیری ماشین پرداخته و نتایج این مقاله نشان داد از بین الگوریتمهای یادگیری ماشین، الگوریتم ماشین بردار پشتیبان بیشترین قدرت پیش بینی کنندگی در قیمت سهام را به خود اختصاص داده است. کلمات کلیدی: بورس اوراق بهادار، پیش بینی؛ قیمت سهام، الگوریتم، یادگیری ماشینکد طبقه بندی JEL: C8،G1

Comparing the accuracy of selected Machin learning models for stock price prediction in stock exchange market

The capital market is growing rapidly. This has led to higher demand for information, more effort to predict and invent new models for predicting the future of the market. Predictive models can be classified into three categories. The first group uses technical analysis, the second group uses fundamental analysis, and the third group uses data mining and machine learning. In the present study focusing on data mining method to compare the accuracy of selected machine learning models including neural network, logistic regression, k nearest neighborhod, support vector machine and cross validation to predict stock prices for 12 selected companies of Tehran Stock Exchange that They have been selected through systematic deletion method in the form of machine learning models and the results of this paper showed that among the machine learning algorithms, the support vector machine algorithm has the highest predictive power in stock prices.Keywords: stock exchange, forecast; Stock prices, algorithms, machine learningJEL Classification Code: C8, G1

تبلیغات