بررسی دقت ماشین های یادگیر در پیش بینی بازده حاصل از تغییر قیمت سهام با استفاده از مدل رافست، نزدیک ترین همسایه و درخت تصمیم گیری.

پیش بینی یکی از مولفه های مهم و ضروری در برنامه ریزی های کوتاه مدت و میان مدت در هر کسب و کاری است. یک پیش بینی دقیق می تواند در کسب بازده، مدیریت جریان های نقدی و تخصیص منابع نقش موثری داشته باشد و به سرمایه گذار این امکان را می دهد که در یک بازه زمانی مشخص حدود درآمد کسب و کار و بازده خود را تخمین بزند. محققان در این   اندیشه­ اند که روش ­های قدیمی، هزینه­ بر و زمان­ بر را کنار گذاشته و روش­هایی جدید همچون استفاده از ماشین ­های­ یادگیر را پیاده­ سازی نمایند. این پژوهش از نظر نوع پژوهش،       تحلیلی-تجربی، از نظر طرح پژوهش،  پس رویدادادی، از نظر هدف، کاربردی، از نظر منطق اجرا، قیاسی و از نظر زمان انجام، طولی و از نوع آینده­ نگر می باشد. در این پژوهش، از الگوی الگوریتم نزدیک­ترین همسایه، روش رافست و درخت تصمیم­گیری برای بهبود قدرت پیش­ بینی، کاهش هزینه و زمان پیش­ بینی بازده سهام استفاده شده است. بدین منظور نمونه­ ای متشکل از 113شرکت موجود در بورس اوراق بهادار تهران در طی یک دوره 10 ساله ( 1394- 1385) از شرکت­های پذیرفته شده در بورس اوراق بهادار تهران انتخاب شده است نتایج پژوهش نشان داد که تمام فرضیه های این پژوهش مبنی بر وجود تفاوت در دقت تخمین این مدل ها در پیش بینی سه متغیر وابسته می­باشند.

کلیدواژه ها:

تخمین( پیش بینی) ، درخت تصمیم ، رافست ، نزدیک ترین همسایه ، بازده آتی سهام