قیاس رویکردی الگوریتم های یادگیری ماشین در پیش بینی هزینه های نگهداشت راهبردهای معاملاتی

هدف این پژوهش، مقایسه رویکرد الگوریتم‌های یادگیری ماشین در پیش‌بینی هزینه‌های نگهداشت راهبردهای معاملاتی است. این تحقیق از نظر هدف کاربردی و روش جمع‌آوری داده‌ها، در دسته تحقیقات غیرآزمایشی قرار می‌گیرد و روابط بین متغیرها را بررسی و توصیف می‌کند و در نهایت، یک مدل ارائه می‌دهد که با استفاده از روش استقرایی قابل تعمیم به کل جامعه آماری خواهد بود. در این تحقیق، برای جمع‌آوری داده‌ها و اطلاعات، از روش کتابخانه‌ای استفاده شده است و با مراجعه به صورت‌های مالی، یادداشت‌های توضیحی و ماهنامه بورس اوراق‌بهادار، داده‌های شرکت‌های نمونه جمع‌آوری شده است. با استفاده از روش حذف سیستماتیک، 150 شرکت به عنوان نمونه آماری انتخاب شده است. برای توصیف و خلاصه داده‌های جمع‌آوری شده، از آمار توصیفی و استنباطی استفاده شده است. همچنین، برای تحلیل داده‌ها از روش‌های غیرخطی مانند درخت تصمیم‌گیری و شبکه‌های عصبی استفاده و برای تایید یا رد فرضیه‌های تحقیق، از نرم‌افزارهای excel 2016، weka 9  و matlab 2019 استفاده شده است. نتایج نشان می‌دهند که الگوریتم‌های یادگیری ماشین مانند درخت تصمیم‌گیری و شبکه‌های عصبی، توانایی بالایی در پیش‌بینی هزینه‌های نگهداشت راهبردهای معاملاتی دارند. همچنین، توانایی این الگوریتم‌ها از لحاظ آماری برابر است و تفاوت معنی‌داری بین آن‌ها مشاهده نشده است

comparing the approach of machine learning algorithms in predicting the maintenance costs of trading strategies

the purpose of this research was to compare the approach of machine learning algorithms in predicting the maintenance costs of trading strategies. the current research، in terms of its practical purpose and based on the method of data collection، is part of the non-experimental research method and examines the relationships between the variables and describes the variables and finally presents a model that is based on the inductive method. it will be generalizable to the entire statistical population; in this research، the library method was used to collect data and information، and by collecting data of sample companies by referring to financial statements، explanatory notes and the stock exchange monthly. accepted based on the systematic elimination method، 150 companies were selected as a statistical sample; in order to describe and summarize the collected data، descriptive and inferential statistics have been used. in order to analyze the data، non-linear methods of decision trees and neural networks were used، and excel 2016، weka9 and matlab 2019 software were used to confirm and reject the research hypotheses. the results showed that machine learning algorithms such as decision tree algorithm and neural networks have a high ability to predict the maintenance costs of trading strategies; in addition، the ability of the aforementioned algorithms، i.e. decision tree algorithm and artificial neural networks to predict the maintenance costs of trading strategies are statistically the same and no significant difference was found between them.