انتخاب ويژگي‌هاي مناسب براي مدل پيش‌بيني شاخص بورس اوراق بهادار تهران بر مبناي تكنيك كاهش ابعاد

هدف: هدف اصلي اين پژوهش، انتخاب مدل مناسب براي پيش‌بيني روزانه شاخص كل بورس اوراق بهادار تهران است. در اين راستا، از تكنيك‌هاي كاهش ابعاد، جهت انتخاب ويژگي‌هاي مؤثر و معرف، به‌منظور افزايش دقت مدل انتخابي استفاده شده است. روش: با توجه به اينكه كاهش ابعاد مي‌تواند با دو روش متفاوت (انتخاب و استخراج ويژگي) اجرا شود، در اين پژوهش، هر دو روش براي انتخاب ويژگي‌هاي مناسب مدل پيش‌بيني به‌كار برده شده است؛ به‌طوري كه براي انتخاب ويژگي‌ها از الگوريتم MID و براي استخراج ويژگي‌ها از الگوريتم PCA استفاده مي‌شود. در اين راستا، پس از جمع‌آوري 34 ويژگي مالي و اقتصادي مؤثر بر بازار سهام، به اولويت‌بندي ويژگي‌ها با الگوريتم MID اقدام شده است، سپس با مقايسه عملكرد دو مدل مختلف شبكه عصبي با نام‌هاي  RBFو DNN كه به‌ترتيب از مهم‌ترين و بديع‌ترين مدل‌ها هستند، مدل مناسب انتخاب شده است. در ادامه با استفاده از دو نوع تكنيك كاهش ابعاد، دقت پيش‌بيني مدل انتخابي بررسي‌شده و روش مناسب براي انتخاب ويژگي‌هاي ورودي مدل پيش‌بيني شناسايي شده است. يافته‌ها: با تحليل نتايج به‌دست‌آمده مشخص شد كه مدل RBF در پيش‌بيني روزانه شاخص كل بورس اوراق بهادار تهران دقت بيشتري دارد. همچنين با مقايسه عملكرد دو نوع تكنيك كاهش ابعاد، مشخص شد كه الگوريتم MID نسبت به الگوريتم PCA در انتخاب متغيرهاي ورودي مدل RBF نتيجه بهتري را ارائه كرده است. بنابراين با توجه به اولويت‌بندي ويژگي‌ها با الگوريتم MID و الگوي تغيير مقدار خطا با افزايش تعداد ويژگي‌ها در مدل RBF، الگوريتم ISF_MID، براي انتخاب ويژگي‌هاي مناسب مدل پيش‌بيني شاخص بورس پيشنهاد شد. با استفاده از اين الگوريتم مي‌توان با كمترين تعداد ويژگي، بيشترين دقت را در پيش‌بيني شاخص بورس به‌دست آورد. نتيجه‌گيري: روش پيشنهاد شده در اين پژوهش جهت شناسايي، اولويت‌بندي و انتخاب ويژگي‌هاي مناسب براي مدل پيش‌بيني، با توجه به سادگي و اثربخشي استفاده از آن، مي‌تواند در حوزه‌هاي مختلف مدل‌سازي، از جمله بازار سرمايه، بازار ارز و مانند آن‌ها مفيد واقع شود.