فهرست نشریات علمی دسترسی آزاد ایران

عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبط­ترین و تأثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از این­رو در مطالعه حاضر، برای پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویت­بندی ویژگی­ها با الگوریتم MID نموده، سپس از 4 مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهم­ترین و بدیع­ترین مدل­های پیش­بینی می­باشند، استفاده می­شود. با توجه به نتایج بدست آمده از تحلیل مدل­های مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگی­های مناسب برای پیش­بینی شاخص، تحت عنوانISF­_MID پیشنهاد شده و با تعدادی از روش­های مشابه، مقایسه می­گردد. داده­های مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی 28/10/1392 تا 30/5/1397 جمع­آوری شده­اند. مدل­های مورد بررسی در مرحله پیاده­سازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل­های مذکور استفاده می­شود. نتایج نشان می­دهد که با روش­ پیشنهادی، می­توان با 7 ویژگی انتخابی به دقت بالایی در پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران دست­یافت.