پیش‏بینی قیمت سهام با ترکیب XGBoost و بهینه ساز گرگ خاکستری باینری

محورهای موضوعی : اقتصاد مالی

هادی اسمعیلی ¹ , شهاب جهانگیری ^{2 *} , علی رضازاده ³

1 - گروه اقتصاد- دانشکده اقتصاد و مدیریت- دانشگاه ارومیه
2 - دانشیار، گروه اقتصاد، دانشگاه ارومیه
3 - دانشیار گروه اقتصاد، دانشگاه ارومیه، ارومیه، ایران

تاریخ پذیرش : 1403/03/20 تاریخ انتشار : 1404/04/11

کلید واژه:

چکیده مقاله :

هدف: سرمایه‌گذاری کمی که توسط یادگیری ماشینی ایجاد می‌شود، فرصت‌های جدیدی را برای تولید بینش بیشتر از داده‌های مالی باز کرده است که منجر به توسعه ایده‌ها برای افزایش عملکرد سرمایه‌گذاری‌ها در بازارهای سهام می‌شود. روش: در این تحقیق، مدل معرفی شده به نام CBGWO-XGBoost برای پیش‌بینی قیمت پایانی روز آتی سهام تحت مطالعه پیشنهاد شده است. مدل پیشنهادی CBGWO را به عنوان بخش مهندسی ویژگی و XGBoost به عنوان پیش‌بینی کننده قیمت پایانی ترکیب می‌کند. این مدل با قیمت سهام شرکت‌های بورس اوراق بهادار تهران در قالب دو مجموعه ویژگی‌های توسعه یافته آموزش داده شده و سپس از مدل برای پیش‌بینی قیمت پایانی آتی سهام استفاده شده است. پس از آموزش و پیش‌بینی، ارزش واقعی و پیش‏بینی شده سهام با هم مقایسه می شود. یافته‌ها: به طور کلی مجموعه ویژگی‌های توسعه یافته 2 عملکرد بهتری از مجموعه ویژگی‏های توسعه یافته 1 بدون فرآیند مهندسی ویژگی داشته است. همچنین با اعمال فرآیند مهندسی ویژگی در مجموعه ویژگی‏های توسعه یافته 2 الگوریتم‌ها به ترتیب CBGWO، BGWO2 و BGWO1 بهترین عملکرد را در نمادهای مختلف کسب نمودند. نتیجه گیری: این مطالعه نشان داد که عملکرد موفقیت آمیز پیش‌بینی قیمت سهام به یک روش پیش‌بینی انحصاری بستگی ندارد. در عوض، نشان داده شده است که یک عملکرد پیش‌بینی خوب تا حد زیادی به فرآیندهای مهندسی ویژگی بستگی دارد، که عمداً با یک الگوریتم یادگیری ترکیب می‌شود، که می‌تواند تعادل و هماهنگی خوبی بین افزایش ابعاد و کاهش ابعاد ایجاد کند.

چکیده انگلیسی:

Aim: Quantitative investing powered by machine learning has opened up new opportunities to generate more insights from financial data, leading to the development of ideas to enhance the performance of investments and portfolio management in stock markets. Method: In this research, the proposed model called CBGWO-XGBoost is proposed to predict the closing price of the future stock of Tehran Stock Exchange companies in the form of two sets of developed features. Findings: In general, the developed feature set 2 performed better than the developed feature set 1 without the feature engineering process. Also, by applying the feature engineering process in the developed feature set 2, the algorithms CBGWO, BGWO2 and BGWO1 obtained the best performance, respectively. Conclusion: This study showed that the successful performance of stock price forecasting does not depend on an exclusive forecasting method. Instead, it is shown that a good prediction performance depends largely on feature engineering processes. Aim: Quantitative investing powered by machine learning has opened up new opportunities to generate more insights from financial data, leading to the development of ideas to enhance the performance of investments and portfolio management in stock markets. Method: In this research, the proposed model called CBGWO-XGBoost is proposed to predict the closing price of the future stock of Tehran Stock Exchange companies in the form of two sets of developed features. Conclusion: This study showed that the successful performance of stock price forecasting does not depend on an exclusive forecasting method. Instead, it is shown that a good prediction performance depends largely on feature