انتخاب بهینه سبدسهام با استفاده از الگوریتم های یادگیری ماشین
محورهای موضوعی : دانش سرمایهگذاری
محمدباقر یزدانی خداشهری
1
(دانشجوی دکتری، گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران)
سید حسین نسل موسوی
2
(گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران.)
میر سعید حسینی شیروانی
3
(گروه کامپیوتر، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران)
کلید واژه: شبکه بیزین, درخت تصمیم بهبود یافته, انتخاب سهام, ماشین بردار پشتیبان, مجموعه راف,
چکیده مقاله :
انتخاب سبد سهام مناسب همواره از اساسی ترین مسائل سرمایه گذاران است. اساساً پیش بینی روند قیمت با استفاده از آنالیز فنی یا آنالیز اساسی انجام می شود. آنالیز فنی بر عملکرد بازار تمرکز دارد، در حالیکه تمرکز آنالیز اساسی مبتنی بر مکانیزم عرضه و تقاضا است و این سبب تغییر قیمت ها می شود. وجود راهکاری که بتواند رشد یا کاهش سهام را با استفاده از آن پیش بینی نماید، بعنوان یک نیاز اساسی در این تحقیق به آن پرداخته شده است. در پژوهش حاضر، به کمک دیتاسِت نظارت شده از راهکاری مبتنی بر الگوریتم های مجموعه راف و تحلیل سلسله مراتبی برای کاهش ویژگی و از الگوریتم های درخت تصمیم، ماشین بردار پشتیبان و شبکه بیزین برای پیش بینی استفاده شده است. این راهکار پیشنهادی با استفاده از زبان سی شارپ پیاده سازی و با راهکارهای مختلفی مقایسه شده و نتایج تحقیق نشان داده است که روش پیشنهادی با 80 درصد دقت صحت پیش بینی و 20 اشتباه در پیش بینی دارای بیشترین دقت و کمترین میزان اشتباه در میان روش های مورد مقایسه را دارد.
Choosing the right portfolio is always one of the most important issues for investors. The price trend is predicted using technical analysis or basic analysis. Technical analysis focuses on market performance, while the focus of fundamental analysis is on the mechanism of supply and demand, and these changes prices. The existence of a solution to predict growth or decrease in stocks has been studied as a basic need in this study. In the present study, with the help of a monitoring dataset, a solution based on Raff collection algorithms and hierarchical analysis to reduce the feature and decision tree algorithms, backup vector machine, and business network have been used for prediction. This proposed solution has been implemented using language and compared with different solutions, and the research results have shown that the proposed method with 80% accuracy of prediction and 20 errors in prediction has the highest accuracy and the lowest error rate among the methods compared.
_||_