تکنیک کاهش ابعاد

بازارهای سهام نقش مهمی در سازماندهی سیستم های اقتصادی مدرن دارند. پژوهش های گسترده ای در زمینه پیش بینی آن ها با استفاده از تکنیک های هوشمند انجام شده است. با توجه به این که دقت عملکرد این تکنیک ها به میزان قابل توجهی تحت تأثیر ویژگی های ورودی آن است، یکی از پیشرفت های به کار رفته در استفاده از مدل های هوشمند، علاوه بر کاربرد مدل های ترکیبی، استفاده از کاهش ابعاد به عنوان یک پیش مرحله برای مدل پیش بینی می باشد. در این پژوهش برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران همزمان از دو روش کاهش ابعاد (انتخاب و استخراج) به منظور انتخاب ویژگی های مناسب به عنوان ورودی های مدل استفاده می شود. به طوری که برای انتخاب ویژگی ها از الگوریتم mRMR-MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. سپس از رگرسیون بردار پشتیبان به عنوان مدل پیش بینی استفاده می شود. با توجه به نتایج بدست آمده از تحلیل استفاده از تکنیک های کاهش ابعاد در مدل پیش بینی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب بر شاخص، تحت عنوانISF _MID پیشنهاد 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 با درصد خطا 46/3 دست یافت. لازم به ذکر است 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.

هدف: هدف اصلی این پژوهش، انتخاب مدل مناسب برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران است. در این راستا، از تکنیک های کاهش ابعاد، جهت انتخاب ویژگی های مؤثر و معرف، به منظور افزایش دقت مدل انتخابی استفاده شده است. روش: با توجه به اینکه کاهش ابعاد می تواند با دو روش متفاوت (انتخاب و استخراج ویژگی) اجرا شود، در این پژوهش، هر دو روش برای انتخاب ویژگی های مناسب مدل پیش بینی به کار برده شده است؛ به طوری که برای انتخاب ویژگی ها از الگوریتم MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. در این راستا، پس از جمع آوری 34 ویژگی مالی و اقتصادی مؤثر بر بازار سهام، به اولویت بندی ویژگی ها با الگوریتم MID اقدام شده است، سپس با مقایسه عملکرد دو مدل مختلف شبکه عصبی با نام های  RBFو DNN که به ترتیب از مهم ترین و بدیع ترین مدل ها هستند، مدل مناسب انتخاب شده است. در ادامه با استفاده از دو نوع تکنیک کاهش ابعاد، دقت پیش بینی مدل انتخابی بررسی شده و روش مناسب برای انتخاب ویژگی های ورودی مدل پیش بینی شناسایی شده است. یافته ها: با تحلیل نتایج به دست آمده مشخص شد که مدل RBF در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دقت بیشتری دارد. همچنین با مقایسه عملکرد دو نوع تکنیک کاهش ابعاد، مشخص شد که الگوریتم MID نسبت به الگوریتم PCA در انتخاب متغیرهای ورودی مدل RBF نتیجه بهتری را ارائه کرده است. بنابراین با توجه به اولویت بندی ویژگی ها با الگوریتم MID و الگوی تغییر مقدار خطا با افزایش تعداد ویژگی ها در مدل RBF، الگوریتم ISF_MID، برای انتخاب ویژگی های مناسب مدل پیش بینی شاخص بورس پیشنهاد شد. با استفاده از این الگوریتم می توان با کمترین تعداد ویژگی، بیشترین دقت را در پیش بینی شاخص بورس به دست آورد. نتیجه گیری: روش پیشنهاد شده در این پژوهش جهت شناسایی، اولویت بندی و انتخاب ویژگی های مناسب برای مدل پیش بینی، با توجه به سادگی و اثربخشی استفاده از آن، می تواند در حوزه های مختلف مدل سازی، از جمله بازار سرمایه، بازار ارز و مانند آن ها مفید واقع شود.