فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف اصلی این پژوهش، انتخاب مدل مناسب برای پیش‌بینی روزانه شاخص کل بورس اوراق بهادار تهران است. در این راستا، از تکنیک‌های کاهش ابعاد، جهت انتخاب ویژگی‌های مؤثر و معرف، به‌منظور افزایش دقت مدل انتخابی استفاده شده است. روش: با توجه به اینکه کاهش ابعاد می‌تواند با دو روش متفاوت (انتخاب و استخراج ویژگی) اجرا شود، در این پژوهش، هر دو روش برای انتخاب ویژگی‌های مناسب مدل­ پیش‌بینی به‌کار برده شده است؛ به‌طوری ­که برای انتخاب ویژگی‌ها از الگوریتم MID و برای استخراج ویژگی‌ها از الگوریتم PCA استفاده می‌شود. در این راستا، پس از جمع‌آوری 34 ویژگی مالی و اقتصادی مؤثر بر بازار سهام، به اولویت‌بندی ویژگی‌ها با الگوریتم MID اقدام شده است، سپس با مقایسه عملکرد دو مدل مختلف شبکه عصبی با نام‌های  RBFو DNN که به‌ترتیب از مهم‌ترین و بدیع‌ترین مدل‌ها هستند، مدل مناسب انتخاب شده است. در ادامه با استفاده از دو نوع تکنیک کاهش ابعاد، دقت پیش‌بینی مدل انتخابی بررسی‌شده و روش مناسب برای انتخاب ویژگی‌های ورودی مدل پیش‌بینی شناسایی شده است. یافته‌ها: با تحلیل نتایج به‌دست‌آمده مشخص شد که مدل RBF در پیش‌بینی 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 اولویت‌بندی ویژگی‌ها با الگوریتم MID و الگوی تغییر مقدار خطا با افزایش تعداد ویژگی‌ها در مدل RBF، الگوریتم ISF_MID، برای انتخاب ویژگی‌های مناسب مدل پیش‌بینی شاخص بورس پیشنهاد شد. با استفاده از این الگوریتم می‌توان با کمترین تعداد ویژگی، بیشترین دقت را در پیش‌بینی شاخص بورس به‌دست آورد. نتیجه‌گیری: روش پیشنهاد شده در این پژوهش جهت شناسایی، اولویت‌بندی و انتخاب ویژگی‌های مناسب برای مدل پیش‌بینی، با توجه به سادگی و اثربخشی استفاده از آن، می‌تواند در حوزه‌های مختلف مدل‌سازی، از جمله بازار سرمایه، بازار ارز و مانند آن‌ها مفید واقع شود.