الگوریتم انتخاب ویژگی

عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبط ترین و تأثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از این رو در مطالعه حاضر، برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویت بندی ویژگی ها با الگوریتم MID نموده، سپس از 4 مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهم ترین و بدیع ترین مدل های پیش بینی می باشند، استفاده می شود. با توجه به نتایج بدست آمده از تحلیل مدل های مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب برای پیش بینی شاخص، تحت عنوانISF _MID پیشنهاد شده و با تعدادی از روش های مشابه، مقایسه می گردد. داده های مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی 28/10/1392 تا 30/5/1397 جمع آوری شده اند. مدل های مورد بررسی در مرحله پیاده سازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل های مذکور استفاده می شود. نتایج نشان می دهد که با روش پیشنهادی، می توان با 7 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت.