مهشید ذوالفقاری - گروه کامپیوتر ، دانشکده فنی و مهندسی، دانشگاه بجنورد، بجنورد،
حمید فدیشه ای - گروه کامپیوتر ، دانشکده فنی و مهندسی، دانشگاه بجنورد، بجنورد،
محسن تاجگردان - گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی قم، قم

پیش بینی در بازارهای مالی باتوجه به حجم وسیع داده ها و شرایط پیچیده بازار، کاری سخت و دشوار است. برای این منظور در این تحقیق به بررسی مدل پیش بینی بازارهای مالی با استفاده از انتخاب ویژگی توسط الگوریتم تکاملی به همراه ترکیب روش های با نظارت طبقه بند XGboost و بدون نظارت Variance پرداخته شده است. ممکن است در مجموعه داده ها ویژگی هایی موجود باشد که ارزش داده ای نسبتا کمی دارند، این ویژگی ها بااینکه دارای اهمیت کمی هستند ولی به طور کاذب تاثیر زیادی بر روی دقت طبقه بندی می گذارند. در این تحقیق ما مدلی از انتخاب ویژگی با الگوریتم تکاملی پوششی که باید چند هدف را بهینه کند ارائه داده ایم. یکی از اهداف ما حذف ویژگی ها با واریانس پایین است که واریانس هر ویژگی را محاسبه و میانگین می گیریم این کار باعث حذف ویژگی های کاذب می شود. هدف دوم ما کم کردن تعداد ویژگی و هدف سوم بالا بردن دقت است. نتایج به دست آمده از دقت قابل قبولی به همراه کاهش ابعاد برخوردار است.

الگوریتم های تکاملی، انتخاب ویژگی، کاهش ابعاد، پیش بینی بازارهای مالی، بهینه سازی چندهدفه