هوش مصنوعی و الگوریتم های مختلف یادگیری ماشین در ارزیابی عملکرد مالی شرکت های سرمایه گذاری بورسی: با تأکید بر گروه سرمایه گذاری غدیر (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پژوهش حاضر به دنبال پاسخ به این سوال می باشد که چه ترکیبی از الگوریتم های یادگیری ماشین، روش های انتخاب ویژگی و تکنیک های گروهی، قوی ترین پیش بینی عملکرد شرکت ها را در بورس اوراق بهادار تهران ارائه می کند؟ در این مسیر تمامی شرکت های پذیرفته شده در بورس تهران طی سال های 1389 تا 1402 به عنوان جامعه آماری در نظر گرفته شدند و برای انتخاب نمونه، از روش حذف سیستماتیک استفاده شد که در نهایت، 171 شرکت به عنوان نمونه نهایی انتخاب گردید. داده های گردآوری شده با استفاده از نرم افزار یادگیری ماشین RapidMiner و نرم افزار اقتصادسنجی EViews مورد تجزیه وتحلیل قرار گرفته شد. نتایج تحلیل مقایسه ای مدل های مختلف یادگیری ماشین نشان داد که ماشین های بردار پشتیبان، جنگل تصادفی و شبکه های عصبی عموماً از سایر الگوریتم ها در وظایف پیش بینی مالی بهتر عمل می کنند. عملکرد رقابتی مدل های ساده تر مانند رگرسیون لجستیک در سناریوهای خاص، ارزش تفسیرپذیری مدل و خطر پیچیدگی غیرضروری را به ما یادآوری کرد، بنابراین یک رویکرد متعادل با در نظر گرفتن عملکرد مدل و تفسیرپذیری، در وظایف پیش بینی مالی بسیار ضروری به نظر می رسد. مطالعه ما نشان داد که تکنیک های کاهش ابعاد مانند تجزیه و تحلیل مؤلفه اصلی و نقشه های خودسازمان دهنده در این زمینه مفید نیستند و اغلب منجر به کاهش عملکرد می شوند. این یافته مهم نسبت به کاربرد بی رویه چنین تکنیک هایی هشدار می دهد و بر نیاز به در نظر گرفتن دقیق ماهیت داده ها و وظیفه پیش بینی خاص تاکید می کند. استفاده از روش های گروهی، به ویژه بگینگ، عملکرد مدل های قوی را بیشتر افزایش داد، بنابراین ترکیب چندین مدل یا نسخه از یک مدل می تواند به پیش بینی های قوی تر در محیط پرنوسان بازار سهام منجر شود. شاید مهمترین نکته این باشد که بهترین مدل های پژوهش تعمیم بسیار خوبی به پرتفوی خاص مانند هلدینگ سرمایه گذاری غدیر داشتند. این نشان دهنده کاربرد عملی روش پژوهش حاضر است و نشان می دهد که مدل های آموزش داده شده بر روی داده های گسترده تر بازار می توانند بینش های ارزشمندی برای پرتفوی های سرمایه گذاری خاص ارائه دهند.Analyzing the Application of Artificial Intelligence and Machine Learning Algorithms for Evaluating the Financial Performance of Publicly Listed Investment Companies with an Emphasis on the Case of Ghadir Investment Group
The objective of the present study was to identify the optimal combination of machine learning algorithms, feature selection methods, and clustering techniques for predicting company performance on the Tehran Stock Exchange. The statistical population includes all companies listed on the Tehran Stock Exchange between the years 1389 and 1402. A systematic elimination method was employed to select the sample, resulting in a final dataset of 171 companies. The collected data were analyzed using RapidMiner for machine learning processes and EViews for econometric analysis. The results obtained from conducting comparative analysis revealed that advanced models such as support vector machines, random forests, and neural networks generally outperform traditional methods in financial forecasting tasks. However, the competitive performance of simpler models, such as logistic regression in specific scenarios, highlights the ongoing relevance of model interpretability and suggests caution against unnecessary algorithmic complexity. Our findings indicate that dimensionality reduction techniques—namely principal component analysis (PCA) and self-organizing maps (SOMs)—often result in reduced predictive accuracy in this context, suggesting that their use should be guided by a clear understanding of the data characteristics and the predictive objectives. Moreover, ensemble approaches, particularly bagging, significantly enhanced model robustness, demonstrating the value of combining multiple learners to navigate the inherent volatility of financial markets. Notably, our top-performing models generalized well when applied to the portfolio of Ghadir Investment Holding, underscoring their practical applicability. The findings of the study demonstrate that models trained on broader market data can provide valuable insights for specialized investment portfolios. Therefore, the findings offer meaningful implications for investment firms and financial analysts, highlighting the potential of machine learning for improving decision-making processes.
تبلیغات
