فهرست نشریات علمی دسترسی آزاد ایران

هدف: سرمایه‌گذاری کمی که توسط یادگیری ماشینی ایجاد می‌شود، فرصت‌های جدیدی را برای تولید بینش بیشتر از داده‌های مالی باز کرده است که منجر به توسعه ایده‌ها برای افزایش عملکرد سرمایه‌گذاری‌ها در بازارهای سهام می‌شود. روش: در این تحقیق، مدل معرفی شده به نام CBGWO-XGBoost برای پیش‌بینی قیمت پایانی روز آتی سهام تحت مطالعه پیشنهاد شده است. مدل پیشنهادی CBGWO را به عنوان بخش مهندسی ویژگی و XGBoost به عنوان پیش‌بینی کننده قیمت پایانی ترکیب می‌کند. این مدل با قیمت سهام شرکت‌های بورس اوراق بهادار تهران در قالب دو مجموعه ویژگی‌های توسعه یافته آموزش داده شده و سپس از مدل برای پیش‌بینی قیمت پایانی آتی سهام استفاده شده است. پس از آموزش و پیش‌بینی، ارزش واقعی و پیش‏بینی شده سهام با هم مقایسه می شود. یافته‌ها: به طور کلی مجموعه ویژگی‌های توسعه یافته 2 عملکرد بهتری از مجموعه ویژگی‏های توسعه یافته 1 بدون فرآیند مهندسی ویژگی داشته است. همچنین با اعمال فرآیند مهندسی ویژگی در مجموعه ویژگی‏های توسعه یافته 2 الگوریتم‌ها به ترتیب CBGWO، BGWO2 و BGWO1 بهترین عملکرد را در نمادهای مختلف کسب نمودند. نتیجه گیری: این مطالعه نشان داد که عملکرد موفقیت آمیز پیش‌بینی قیمت سهام به یک روش پیش‌بینی انحصاری بستگی ندارد. در عوض، نشان داده شده است که یک عملکرد پیش‌بینی خوب تا حد زیادی به فرآیندهای مهندسی ویژگی بستگی دارد، که عمداً با یک الگوریتم یادگیری ترکیب می‌شود، که می‌تواند تعادل و هماهنگی خوبی بین افزایش ابعاد و کاهش ابعاد ایجاد کند.