شناسایی اندیکاتورهای موثر بر پیش بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم های انتخاب ویژگی و دسته بندی
محورهای موضوعی : بورس اوراق بهادار
محمد جواد شیخ زاده
1
,
سجاد رحمانی
2
1 - گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران
2 - گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران
کلید واژه: شاخص کل, انتخاب ویژگی, دسته بندی, اندیکاتور,
چکیده مقاله :
پیش بینی روند تغییرات شاخص و قیمت سهام مسئله بسیار پیچیده ای است که تحت تاثیر عوامل مختلف محیطی، صنعتی، خرد یا کلان درون شرکتی قرار دارد. اندازه گیری عوامل ذکر شده بسیار مشکل است و یا در بعضی موارد قابلیت اندازه گیری ندارند، ولی برخی از عوامل خرد مانند سابقه قیمت و حجم معاملات به سادگی قابل اندازه گیری و در دسترس است. در این پژوهش با استفاده از الگوریتم های انتخاب ویژگی و دسته بندی، روشی جهت تعیین موثرترین اندیکاتورها برای شاخص کل و شاخص کل هم وزن ارائه خواهد شد. سپس مدل پیشنهادی را در بازه زمانی روزانه و هفتگی از دی ماه 1398 الی اردیبهشت ماه 1401 مورد بررسی قرار خواهیم داد. نتایج نشان می دهد پیش بینی روند تغییرات با استفاده از تعداد محدودی از اندیکاتورها با دقت بالایی امکان پذیر است و همچنین در بازه زمانی هفتگی نسبت به بازه زمانی روزانه دقت پیش بینی به طور قابل محسوسی بیشتر می باشد.
Because of the numerous environmental, industrial, micro, and macro elements that influence the index and stock price trend, it is undeniably difficult to predict changes in the index and stock price trend. Although the aforementioned factors are difficult or impossible to measure in some cases, micro factors such as price history and trade volume are simply measurable and available. The goal of this research is to use feature selection and classification algorithms to find the most effective features and indicators for predicting the total index and total weighted index. Then we will examine the proposed model in the daily and weekly time period from January 2020 to May 2022. The results show that it is possible to predict the trend of changes with high accuracy using a limited number of indicators, and that the prediction accuracy is much higher in the weekly time interval than in the daily time interval.
_||_