انتخاب بهینه سهام با استفاده از الگوریتم خفاش و جنگل تصادفی
محورهای موضوعی : مهندسی مالی
حسین رستمخانی
1
,
بهروز خدارحمی
2
,
آزیتا جهانشاد
3
1 - گروه حسابداری، واحد بین المللی کیش، دانشگاه آزاد اسلامی، کیش، ایران.
2 - گروه حسابداری، دانشگاه تربیت مدرس، تهران، ایران.
3 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
کلید واژه: انتخاب سهام, الگوریتم جنگل تصادفی, الگورتیم خفاش,
چکیده مقاله :
هدف این تحقیق انتخاب بهینه سهام با استفاده از الگوریتم خفاش و جنگل تصادفی است. در این پژوهش براساس تحلیل۶ متغیر: نسبت قیمت سهام بر سود هر سهم، نرخ رشد سود سالانه، نرخ رشد فروش سالانه، بازده دارایی‌ها، بازده حقوق صاحبان سهام و سهام شناور آزاد استخراج شده از 181 شرکت پذیرفته شده بورس اوراق بهادار تهران، در طی دوره زمانی ۱۳۹۴ تا ۱۳۹۸ استفاده شده است. ۶ سناریو به منظور برآورد دقت دو الگوریتم در نظر گرفته شده است به طوریکه برای سناریوهای ۱ تا ۶ از الگوریتم‌ها خواسته شده است تا به ترتیب ۵، ۱۰، ۱۵، ۲۰، ۲۵ و ۳۰ شرکت پیدا کند. نتایج نشان می‌دهد که ماهیت الگوریتم جنگل تصادفی نیاز به آموزش و انتخاب ویژگی‌ها دارد که باعث می‌شود سرعت الگوریتم پایین‌تر باشد و زمان همگرایی را بالا می‌برد. یکی از علت اساسی دقت بالا‌تر الگوریتم جنگل تصادفی در سناریوهای ۱ تا ۳ این مورد می‌تواند باشد. در سناریوها ۴ تا ۶ به علت افزایش پیچیدگی مساله دقت الگوریتم جنگل تصادفی کاهش پیدا می‌کند ولی به دلیل ماهیت تصادفی بودن الگوریتم خفاش دقت آن تفاوت چندانی ندارد و می‌تواند پایداری در انتخاب خود را حفظ نماید.
The purpose of this study is to optimally select stocks using the bat and random forest algorithm. In this study, based on the analysis of 6 variables: stock price to earnings per share ratio, annual earnings growth rate, annual sales growth rate, return on assets, return on equity and free float shares extracted from 181 companies listed on the Tehran Stock Exchange, It has been used during the period of 1394 to 1398. Six scenarios are considered to estimate the accuracy of the two algorithms, so that for scenarios 1 to 6, the algorithms are asked to participate 5, 10, 15, 20, 25 and 30, respectively. The results show that the nature of the random forest algorithm requires training and selection of features, which makes the algorithm faster and increases the convergence time. One of the main reasons for the higher accuracy of the random forest algorithm in scenarios 1 to 3 could be this. In scenarios 4 to 6, due to the increasing complexity of the problem, the accuracy of the random forest algorithm decreases, but due to the random nature of the bat algorithm, its accuracy does not differ much and it can maintain stability in its selection.
_||_
