پيش بيني روند تغييرات قيمت سهم با استفاده از ماشين بردار پشتيبان وزن دهي شده و انتخاب ويژگي هيبريد به منظور ارائه استراتژي معاملاتي بهينه

The Stock Trend Prediction Using Volume Weighted Support Vector Machine with a Hybrid Feature Selection Method to Predict the Stock Price Trend in Tehran Stock Exchange

در این پژوهش، یك مدل پیش­بینی براساس روش ماشین بردار پشتیبان تعدیل­شده با استفاده از وزن­داركردن تابع جریمه مدل با توجه به حجم معاملات واقعی روزانه  به منظور افزایش دقت پیش‌بینی نوسان‌های كوتاه مدت در بازار سهام و دست­یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه­بندی­كننده ماشین بردار پشتیبان تعدیل­شده، از یك روش انتخاب ویژگی هیبرید، مركب از یك بخش فیلتر­كننده و یك بخش پوشش­دهنده به منظور انتخاب زیرمجموعه­ای بهینه از ویژگی­ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش­بینی روند قیمت، یك استراتژی معاملاتی بر پایه نتایج مدل داده می­شود. ورودی مدل چندین شاخص تحلیل تكنیكال و شاخص­های آماری متعددی هستند كه برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده­اند. نتایج نشان می­دهد كه مدل ماشین بردار پشتیبان وزن­دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، میزان دقت پیش­بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی­های رقیب، هم از لحاظ میزان بازده كلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه­گذاری بهبود می‌بخشد.

In this study, a prediction model based on support vector machines (SVM) improved by introducing a volume weighted penalty function to the model was introduced to increase the accuracy of forecasting short term trends on the stock market to develop the optimal trading strategy. Along with VW-SVM classifier, a hybrid feature selection method was used that consisted of F-score as the filter part and supported Sequential forward selection as the wrapper part, to select the optimal feature subset. In order to verify the capability of the proposed model in successfully predicting short term trends, a trading strategy was developed. The model input included several technical indicators and statistical measures that were calculated for chosen 10 stocks from Tehran Stock Exchange. The results show that the VW-SVM, combined with the hybrid feature selection method, significantly increases the profitability of the proposed strategy compared to rival strategies, in terms of both overall rate of return and the maximum draw down during trading period.