رتبه‌بندی سهام‌ شرکت‌های بورس اوراق بهادار تهران بر اساس مدل ترکیبی درخت تصمیم و رگرسیون لجستیک

تاکنون تحقیقات بسیاری در چهارچوب مدل‌های خطی یا غیرخطی و با استفاده از مدل‌های آماری و ابزارهای یادگیری ماشین در هوش مصنوعی برای برآورد نرخ بازده سهام در ایران معرفی شده است. هدف عمدهٔ این روش‌ها استفادهٔ هم‌زمان از متغیرهای مستقل متفاوت برای بهبود مدل‌سازی نرخ بازده سهام است؛ درحالی‌که در فرایند پیش‌بینی‌پذیری نرخ بازده، علاوه بر نحوهٔ مدل‌سازی، میزان همبستگی متغیرهای مستقل با یکدیگر و درنتیجه افزایش اریبی برآوردگرهای مدل نیز از اهمیت ویژه‌ای‌ برخوردار است. ازاین‌رو، در این مقاله بر اساس مدل ترکیبی درخت تصمیم و رگرسیون لجستیک به‌صورت هم‌زمان متغیرهای اثرپذیر را تشخیص داده شده و سپس مدلسازی غیرخطی نرخ بازده انجام شده است. به‌منظور بررسی مدل پیشنهادی، اطلاعات 100 شرکت پذیرفته‌شده در بورس اوراق بهادار طی بازهٔ زمانی 1390-1397 در نظر گرفته و بر اساس مدل پیشنهادی، وزن‌های انتخاب پرتفوی بهینه برآورد شده است. نتایج بررسی ما نشان می‌دهد که الگوریتم ترکیبی پیشنهادی، از مدل‌های رقیب بازدهی بهتری دارد.

Ranking stocks of listed companies on Tehran stock exchange using a hybrid model of decision tree and logistic regression

Much research has introduced linear or nonlinear models using statistical models and machine learning tools in artificial intelligence to estimate Iran #39;s rate of return. The primary purpose of these methods is simultaneously use different independent variables to improve stock return rates #39; modeling. However, in predicting the rate of return, in addition to the modeling method, the degree of correlation of the independent variables with each other and, consequently, the biased increase of the model estimators is of particular importance. Hence, in this paper, we perform a concurrent model of decision tree and logistic regression with affective variables simultaneously and then make a nonlinear model of return rate. To evaluate the proposed model, information of 100 companies admitted to the stock exchange during the period 2011 to 2018 is considered. The results of our study show that the proposed hybrid algorithm performs better than competing models.