الگوریتم‌های یادگیری ماشین برای سری‌های زمانی در بازارهای مالی

این پژوهش در رابطه با بررسی سودمندی الگوریتم‌های هوشمند مختلف در حوزه یادگیری ماشین برای پیش‌بینی سری‌های زمانی در بازارهای مالی می‌باشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدل‌های پیشینی با دقت بیشتری می‌باشند. رفع چالش یاد شده موجب ارتقای کیفیت پیش‌بینی و به جهت آن، سودآوری و بهره‌وری بالاتری می‌شود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتم‌های یادگیری ماشینِ مبتنی بر رگرسیون، با تاکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیاده‌سازی گردیدند. داده‌های تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران می‌باشند. این داده‌ها مربوط به سال‌های ١٣٨٧ تا ابتدای سال ١٣٩٧ می‌باشند. نتایج آزمایشی نشان می‌دهند که ویژگی‌های فنی منتخب توسط روش پیشرو، موثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتم‌های یادگیری مورد نظر را می‌یابند. نتایج آزمایشی و تحلیل‌های رسمی دلالت بر این دارند که بکارگیری ویژگی‌های فنی منتخب ،به‌عنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیش‌بینی با حداقل خطا را در اختیار می‌گذارد. ؛ این مطلب منجر به ارائه پیش‌بینی با دقت بالاتری می‌گردد.