جدال پارادایم ها: مقایسه جنگل تصادفی دسته ای بهینه سازی شده و تطبیقی برخط در پیش بینی پویای شاخص کل بورس تهران

پیش بینی رفتار آتی بازار پرنوسانی مانند بورس تهران، چالشی جذاب و پر اهمیت است. این پژوهش با هدف مقایسه کارایی دو رویکرد بنیادی یادگیری ماشین، دسته ای و برخط، به میدان آمده است تا پاسخی برای پیش بینی افزایش معنادار (بیش از ۰.۶%) شاخص کل طی افق پنج روز کاری ارائه دهد. با اتکا بر داده های روزانه شاخص کل از آغاز سال ۱۳۹۷ تا اردیبهشت ۱۴۰۴ و استخراج زرادخانه ای شامل ۷۸ ویژگی تکنیکال، حجمی، زمانی و تاخیری پس از پالایش دقیق، دو مدل جنگل تصادفی به نبرد فراخوانده شدند. مدل اول، یک جنگل تصادفی دسته ای (Batch RF)، توسط ابزار پیشرفته آپتونا بر اساس داده های آموزش تا پایان ۱۴۰۲ کالیبره و سپس در بوته آزمون داده های دیده نشده آتی قرار گرفت. مدل دوم، جنگل تصادفی تطبیقی (ARF) از کتابخانه نوآورانه ریور، با اتکا بر پارامترهای استاندارد و با رویکردی پویا و برخط، بر روی کل جریان داده به محک گذاشته شد. ارزیابی جامع با مجموعه ای از سنجه های کلیدی (صحت، F۱، Precision، Recall، AUC) و تحلیل بصری ماتریس های درهم ریختگی و منحنی های ROC و PR، تصویری روشن از توانمندی های هر رویکرد ترسیم کرد. نتایج نشان می دهد که مدل تطبیقی ARF، علی رغم عدم بهینه سازی هایپرپارامتر، در طول کل دوره شبیه سازی ، عملکرد کلی قوی تر و متعادل تری، به ویژه در شناسایی فرصت های رشد، نسبت به مدل دسته ای بهینه سازی شده (ارزیابی شده بر روی دوره آزمون) به نمایش گذاشت (AUC کلی ۰.۷۹۵ در مقابل ۰.۵۷۴ بر روی تست). این یافته، برتری بالقوه پارادایم یادگیری تطبیقی را در فهم و پیش بینی بازار مالی پویای بورس تهران، برجسته می سازد.

کلیدواژه ها:

پیش بینی شاخص کل بورس تهران ، یادگیری ماشین ، جنگل تصادفی تطبیقی ، یادگیری برخط ، مهندسی ویژگی