بهبود کارایی الگوریتم های یادگیری ماشین برداری ماشین برای سری های زمانی در بازارها مالی

این پژوهش در رابطه با بررسی سودمندی مدل های مختلف یادگیری ماشین برای پیش بینی سری های زمانی در بازارهای مالی می باشد. چالش مورد توجه در این حوزه، این است که مدیران اقصتادی جامعه علمی، همچنان خواستار الگوریتم های پیش بینی با دقت بیشتری می باشند. رفع چالش یاد شده موحب ارتقای کیفیت پیش بینی به جهت آن، سودآوری بهره وری بالاتری می شود. در این پژوهش نشان می دهیم که چگونه می توان با بهره بردن از تحلیل فنی سری های زمانی مالی موجود در داده های بازار بورس، ضمن دسترسی به موثرترین ویژگی ها، به نتایج ارزشمند دست یافت. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتم های یادگیری ماشین مبتنی بر رگرسیون، با تاکید بر روش انتخاب ویژگی پیشرو، جهت یافتن متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان Python پیاده سازی گردیدند. داده های تحقیق که در این پژوهش بکار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران می باشند. این داده ها مربوط به سال های 1387 تا ابتدای سال 1397 می باشند. نتایج آزمایشی نشان می دهند که ویژگی های فنی منتخب توسط روش پیشرو، موثرترین نیز بترین مقادیر برای پارامترهای الگوریتم های یادگیری موردنظر را می یابند. بکارگیری این مقادیر، منجر به پیش بینی های با حداقل میزان خطا برای داده های سهام می شود.

کلیدواژه ها:

پیش بینی ، سری های زمانی ، یادگیری ماشین ، بازارهای مالی ، بازار سهام