This research investigated the development of a stock trading strategy for companies on the New York Stock Exchange (NYSE), a prominent global market. Data was acquired from established libraries and the Yahoo Finance database. The model employed technical analysis indicators and oscillators as input features. Machine learning classification algorithms were used to design trading strategies, and the optimal model was identified based on statistical performance metrics. Accuracy, recall, and F-measure were utilized to evaluate the classification algorithms. Additionally, advanced statistical methods and various software tools were implemented, including Python, Spyder, SPSS, and Excel. The Kruskal-Wallis test was employed to assess the statistical differences between the designed strategies. A sample of 41 actively traded NYSE companies across diverse sectors such as financial services, healthcare, technology, communication services, consumer cyclicals, consumer staples, and energy were chosen using a filter-based approach on June 28th, 2021. The selection criteria included a market capitalization exceeding $200 billion and an average daily trading volume surpassing 1 million shares. Evaluation metrics revealed that the designed random forest trading strategy achieved a good fit with the data and exhibited statistically significant differences from other strategies based on classification learning algorithm. Manuscript profile

هدف این پژوهش طراحی راهبرد معاملات سهام بر اساس الگوریتم های یادگیری رگرسیونی می باشد. پژوهشگر بوسیله بهره‌برداری از پایگاه اطلاع رسانی یاهو فاینانس ، داده های مورد نیاز پژوهش را با استفاده از برنامه نویسی در محیط نرم افزار پایتون استخراج و بر اساس آن شاخص ها و نوسان سازهای تحلیل تکنیکال را محاسبه و به عنوان مولفه های اولیه وارد مدل نموده است. در راستای ارزشیابی الگوریتم های رگرسیونی از شاخص های (ضریب تعیین ، خطای میانگین مریعات و ریشه میانگین مربعات خطا ) استفاده شده است. پژوهشگر از روش های پیشرفته آماری و نرم افزارهای پایتون ، اسپایدر ، اس پی اس اس و اکسل استفاده نموده و تفاوت بین شاخص های ارزشیابی الگوریتم های طراحی شده را به لحاظ معنی داری از طریق آزمون کروسکال والیس بررسی و راهبرد خرید و فروش سهام را معرفی می‌نماید. در راستای تنوع بخشی نمونه تحقیق جهت تعمیم پذیری نتایج، شرکت های فعال در حوزه حمایت مصرف کننده، خدمات ارتباطی، مراقبت های بهداشتی، خدمات مالی، تکنولوژی، چرخه مصرف کننده و انرژی در بورس نیویورک با میانگین حجم معامله بزرگتر از 1 میلیون و ارزش بازار بزرگ تر از 200 تریلیون دلار از طریق روش فیلترنویسی در تاریخ 07/04/1400 برابر با 41 عدد به عنوان نمونه این پژوهش انتخاب و انجام تحقیق تا پایان بهمن ماه 1401 به اتمام رسید و مدل راهبرد معاملاتی جنگل تصادفی به عنوان مدل مناسب معرفی گردید.کلمات کلیدی: راهبرد معاملاتی، یادگیری ماشین، الگوریتم های رگرسیونی، بورس اوراق بهادار Manuscript profile