پیش بینی گرایش احساسی سرمایه گذاران با استفاده ازتکنیک‏های ماشین بردار پشتیبان(svm) و درخت تصمیم(dt)

گرایش‏های احساسی سرمایه‏گذاران بیانگر حاشیه میزان خوش‏بینی و بدبینی سهامداران نسبت به یک سهم می‏باشد. احساسات سرمایه‏گذاران تحت تاثیر پدیده‏های روانشناختی، به رفتار افراد جهت می‏بخشند و در بسیاری از مواقع، موجب انحراف افراد از رفتار عقلایی می‏شوند. هدف از انجام این پژوهش، بکارگیری روش‏های فراابتکاری جهت پیش‏بینی گرایش‏های احساسی سرمایه‏گذاران است. در این پژوهش با استفاده از 97 نسبت مالی مربوط به176 شرکت پذیرفته‏شده در بورس اوراق بهادار تهران طی دوره زمانی 1385 تا1397، اقدام به پیش‏بینی گرایش‏های احساسی سرمایه‏گذاران با استفاده از تکنیک‏های ماشین بردار پشتیبان (svm) و درخت تصمیم (dt) شده است. برای سنجش گرایش احساسی سرمایه‏گذاران از 4 شاخص قدرت نسبی، خط روان‏شناسانه، حجم معاملات و نرخ تعدیل گردش سهام بهره گرفته شده که در نهایت به کمک روش تجزیه و تحلیل مولفه‏های اساسی (pca) اقدام به ترکیب این شاخص‏ها نموده‏ایم. جهت مقایسه روش‏های پیش‏بینی، از مقادیر میانگین مطلق خطا (mae) و ریشه میانگین مربعات خطا (rmse) استفاده شده است. نتایج حاصل از تحلیل داده‏ها بیانگر آن است که خطای پیش‏بینی روش ماشین بردار پشتیبان در مقایسه با درخت تصمیم کمتر است.

Predicting Emotional Tendency of Investors Using Support Vector Machine (SVM) and Decision Tree (DT) Techniques

Investor’s emotional tendencies indicate the margin of shareholder’s optimism and pessimism towards a stock. Investors’ emotions, under the influence of psychological phenomena, direct people’s behavior and, in many cases, make people to deviate from the rational behavior. The purpose of this study is to use metainnovative methods to predict the emotional tendencies of investors. In this study, using 97 financial ratios related to 176 companies listed on the Tehran Stock Exchange during the period between 2006 and 2018, investors’ emotional tendencies have been predicted with the help of support vector machine (SVM) and decision tree (DT) techniques.To measure the emotional tendencies of investors, four indicators of relative strength, psychological line, trading volume and stock turnover adjustment rate have been applied. Finally, we have combined these indicators with the help of PCA method. Mean absolute error (MAE) and root mean square error (RMSE) values were used to compare predicting methods. The results of data analysis indicate that the prediction error of the support vector machine method is less than the decision tree.