مهندسی ویژگی

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.