ناهید دانا

در این پژوهش، یک مدل پیش بینی براساس روش ماشین بردار پشتیبان تعدیل شده با استفاده از وزن دارکردن تابع جریمه مدل با توجه به حجم معاملات واقعی روزانه به منظور افزایش دقت پیش بینی نوسان های کوتاه مدت در بازار سهام و دست یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه بندی کننده ماشین بردار پشتیبان تعدیل شده، از یک روش انتخاب ویژگی هیبرید، مرکب از یک بخش فیلتر کننده و یک بخش پوشش دهنده به منظور انتخاب زیرمجموعه ای بهینه از ویژگی ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش بینی روند قیمت، یک استراتژی معاملاتی بر پایه نتایج مدل داده می شود. ورودی مدل چندین شاخص تحلیل تکنیکال و شاخص های آماری متعددی هستند که برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده اند. نتایج نشان می دهد که مدل ماشین بردار پشتیبان وزن دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، میزان دقت پیش بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی های رقیب، هم از لحاظ میزان بازده کلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه گذاری بهبود می بخشد.

در پژوهش حاضر، مدلی برای پیش بینی روند قیمت سهام برپایه ی ماشین بردار پشتیبان وزن دهی شده توسط حجم های روزانه معاملات، همراه با روش انتخاب ویژگی هیبرید F-SSFS ارائه می شود. به منظور ارزیابی دقت پیش بینی، مدل پیشنهادی با مدل ماشین بردار پشتیبان ساده همراه با انتخاب ویژگی هیبرد و نیز با روش های 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 می شود؛ همچنین به عنوان مجموعه ویژگی های اولیه که در واقع ورودی ماشین بردار پشتیبان تعدیل یافته هستند، از شاخص های تحلیل تکنیکال و شاخص های آماری که برای 10 سهم محاسبه شده اند، استفاده می شود. نتیجه این پژوهش نشان می دهد که عملکرد ماشین بردار پشتیبان وزن دهی شده، در مورد مسئله پیش بینی روند قیمت سهام، به میزان قابل توجهی بهتر از ماشین بردار پشتیبان ساده است. علاوه براین، نتایج عملیاتی نشان می دهد که ماشین بردار پشتیبان وزن دهی شده همراه با انتخاب ویژگی هیبرید پیشنهادی، بالاترین میزان دقت پیش بینی را نسبت به سه روش انتخاب ویژگی دیگر دارد. براساس نتایج این پژوهش می توان ادعا کرد مدل VW-SVM همراه با انتخاب ویژگی F-SSFS عملکرد بهتری در پیش بینی قیمت سهم، نسبت به روش های موجود دارد. 2. Information Gain 3. Symmetrical uncertainty 4. Correlation based feature selection