پیش بینی سقوط های کوتاه مدت شاخص کل بورس تهران: رویکردی مبتنی بر XGBoost با مدیریت پیشرفته عدم تعادل داده ها

پیش بینی نوسانات شدید بازار سهام، چالشی دیرینه با اهمیت بنیادین برای مدیریت ریسک است. این پژوهش، مدل سازی پیش بینی سقوط های کوتاه مدت (افت بیش از ۱۰% طی ۲۱ روز معاملاتی) در شاخص کل بورس تهران را هدف قرار داده است. با بهره گیری از داده های روزانه تاریخی و محاسبه ۷۹ ویژگی تکنیکال و حجمی، مدلی مبتنی بر الگوریتم قدرتمند XGBoost توسعه یافت. چالش ذاتی عدم توازن کلاس ها (نادر بودن سقوط ها) از طریق رویکرد ترکیبی تکنیک داده افزایی SMOTE و وزن دهی به کلاس ها در مدل سازی مدیریت گردید. هایپرپارامترهای مدل با استفاده از جستجوی شبکه ای و اعتبارسنجی متقابل بر مبنای معیار AUC-PR بهینه شدند. نتایج ارزیابی بر روی مجموعه داده تست، عملکرد چشمگیر مدل را نشان می دهد؛ به ویژه، حساسیت (Recall) ۸۸.۵% در شناسایی کلاس سقوط و امتیاز AUC-PR معادل ۰.۹۳۶، بیانگر توان تفکیک بالای مدل است. تحلیل اهمیت ویژگی ها، نقش تعیین کننده نوسانات و سطوح قیمتی پایین را آشکار ساخت. مدل توسعه یافته، ابزاری کارآمد برای تشخیص زودهنگام ریسک سقوط در بازار سهام تهران ارائه می دهد و دلالت های عملی مهمی برای فعالان بازار دارد.

کلیدواژه ها:

پیش بینی سقوط بازار ، XGBoost ، داده های نامتوازن ، شاخص کل بورس تهران ، مدیریت ریسک