پيش بيني روند قيمت سهام با استفاده از ماشين بردار پشتيبان تعديل يافته همراه با انتخاب ويژگي هيبريد

Predicting Stock Price trend, using Volume Weighted Support Vector Machine and Hybrid Feature Selection Method, in Tehran Stock Exchange

در پژوهش حاضر، مدلي براي پيش بيني روند قيمت سهام بر پايه ي ماشين بردار پشتيبان وزن دهي شده توسط حجم هاي روزانه معاملات، همراه با روش انتخاب ويژگي هيبريد F-SSFS ارائه مي شود. به منظور ارزيابي دقت پيش بيني، مدل پيشنهادي با مدل ماشين بردار پشتيبان ساده همراه با انتخاب ويژگي هيبرد و نيز با روش هاي انتخاب ويژگي مرسوم از جمله بهره اطلاعات، عدم قطعيت متقارن و انتخاب ويژگي بر پايه همبستگي، از طريق انجام آزمون تي زوجي، مقايسه مي شود؛ همچنين به عنوان مجموعه ويژگي هاي اوليه كه در واقع ورودي ماشين بردار پشتيبان تعديل يافته هستند، از شاخص هاي تحليل تكنيكال و شاخص هاي آماري كه براي 10 سهم محاسبه شده اند، استفاده مي شود. نتيجه اين پژوهش نشان مي دهد كه عملكرد ماشين بردار پشتيبان وزن دهي شده، در مورد مسئله پيش بيني روند قيمت سهام، به ميزان قابل توجهي بهتر از ماشين بردار پشتيبان ساده است. علاوه براين، نتايج عملياتي نشان مي دهد كه ماشين بردار پشتيبان وزن دهي شده همراه با انتخاب ويژگي هيبريد پيشنهادي، بالاترين ميزان دقت پيش بيني را نسبت به سه روش انتخاب ويژگي ديگر دارد. بر اساس نتايج اين پژوهش مي توان ادعا كرد مدل VW-SVM همراه با انتخاب ويژگي F-SSFS عملكرد بهتري در پيشبيني قيمت سهم، نسبت به روش هاي موجود دارد.

In this study we focus on developing a stock trend prediction model based on a modified version of support vector machine، named volume weighted support vector machine، along with a hybrid feature selection method named FSSFS method. In order to evaluate the prediction accuracy of this model we compare the VW-SVM classifier with plain support vector machine along with three commonly used feature selection methods including Information gain، Symmetrical uncertainty and correlation-based feature selection، via paired t-test. As the model input، we use several technical indicators and statistical measures، calculated for 10 stocks. The results show that the VW-SVM، combined with the hybrid feature selection method، significantly outperforms plain SVM model to the problem of stock trend prediction. In addition our experimental result show that VW-SVM combined with F-SSFS has the highest level of accuracies and generalization performance in comparison with the other three feature selection methods. With these results، we claim that VW-SVM combined with F-SSFS can serve as a promising addition to the existing stock trend prediction.