خلاصة:
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.
The performance of an intelligent model largely depends on the selection of the most relevant and most influential input variables and the lowest complexity of the learning model. Therefore, in the present study, to predict the index of Tehran Stock Exchange based on financial and economic variables, first prioritize featuresWith MID algorithm, then 4 different neural network models (MLP, SVR, RBF, DNN) are used, which are the most important and innovative prediction models. According to the results of the analysis of the studied models, an algorithm is proposed to select the appropriate features on the index, as ISF-MID, and are compared with several similar methods. The data used in this study were collected daily in the period of 18/01/2014 to 21/08/2018. Evaluation of the models was performed by K-fold cross validation method. The MAE, MSE, and RMSE criteria are also used to evaluate the performanceof the mentionedmodels. The results show that with the proposed method, with 7 selected features, it is possible to achieve high accuracy in predicting the daily index of the Tehran Stock Exchange.
ملخص الجهاز:
از اين رو در مطالعه حاضر، براي پيش بيني روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغيرهاي مالي و اقتصادي، ابتدا اقدام به اولويت بندي ويژگيها با الگوريتم MID نموده ، سپس از ٤ مدل مختلف شبکه عصبي (MLP, SVR, RBF, DNN) که از مهم ترين و بديع ترين مدل هاي پيش بيني ميباشــند، اســتفاده ميشــود.
يکي از بهبودهاي به کار رفته در مطالعات جديد، با توجه به پيشرفت کاربرد روش هاي هوش مصنوعي، استفاده از انتخاب ويژگي به عنوان يک پيش مرحله براي مدل پيش بيني ميباشـــد، زيرا همان طور که اشـــاره گرديد، دقت عملکرد مدل مورد اســـتفاده براي پيش بيني به ميزان قابل توجهي تحت تأثير تعداد ويژگيهاي ورودي آن است .
1 Huang 2 Qiu & Song 3 Ul Haq et al.
RBF،SVR و MLP از مدل هاي بسيار محبوب و متداول براي مسائل تخمين تابع ميباشند که در پژوهش هاي صورت گرفته در ارتباط با پيش بيني شاخص بورس در عرصه داخلي و خارجي، بارها مورد استفاده قرار گرفته اند، و عملکرد آن ها در افزايش دقت پيش بيني در مقايسه با ساير مدل هاي هوشمند مورد 1 Mutual Information Diference 2 F-Test Correlation Difference 3 Radial Basis Function 4 Support Vector Regression 5 Multi-Layer Perceptron 6 Deep Neural Network ســنجش و تاييد قرار گرفته اســت .
1 Ou & Wang 2 Wanga & Zhao 3 Zhang & Wu 4 Hinton & Salakhutdinov 5 Hiransha et al.
(
, 
, 
)
