بررسی تطبیقی روشهای رگرسیون و یادگیری ماشین در پیش بینی شاخص های مالی

پیش بینی شاخص های مالی یکی از چالش برانگیزترین مباحث در اقتصاد و مالی است که روش های سنتی و مدرن هر دو در آن نقش دارند. یادگیری ماشین با توانایی تحلیل حجم عظیمی از داده های ساختاریافته و غیر ساختار یافته پارادایم پژوهش های مالی را تغییر داده است. این روش ها به جای فرضیات خطی ساده به دنبال کشف الگوهای پیچیده غیر خطی و پویا در بازارها هستند. تحقیق حاضر به مقایسه عملکرد روش های رگرسیون خطی و چندگانه با الگوریتم های یادگیری در پیش بینی شاخص های مالی می پردازد. بدین منظور از داده های مالی ۱۲۰ شرکت طی سال های ۱۳۹۶ تا ۱۴۰۳ در بورس اوراق بهادار تهران استفاده شده است. پیش بینی شاخص های مالی ابتدا با استفاده از رگرسیون لجستیک و در مرحله بعد با استفاده از یادگیری ماشین انجام شده است و در نهایت از طریق مقایسه خطاها روش مناسب انتخاب می گردد. یافته ها نشان می دهد که اگرچه مدل های رگرسیونی به دلیل سادگی و قابلیت تفسیر بالا در داده های خطی و کم نویز عملکرد قابل قبولی دارند، اما در مواجهه با داده های پیچیده غیر خطی و دارای نویز زیاد الگوریتم های یادگیری ماشین دقت پیش بینی بسیار بالاتری ارائه می دهند. با این حال، مدل های یادگیری ماشین نیازمند حجم داده های عظیم و تنظیم دقیق پارامترها هستند. این پژوهش نتیجه می گیرد که انتخاب روش به ماهیت داده ها و هدف نهایی (تفسیرپذیری در برابر دقت محض) بستگی دارد.

کلیدواژه ها:

یادگیری ، ماشین ، رگرسیون ، شاخص های مالی