ترکیب روش‌های انتخاب ویژگی با مدل‌های یادگیری ماشینی، عمیق و آماری برای پیش‌بینی قیمت اختیار سهام

دو روش کلاسیک برای تحلیل و پیش‌بینی روند بازار مالی، روش بنیادی و تکنیکال است. در دهه گذشته با گسترش ابزارهای رایانه برای ذخیره‌سازی داده‌های روزانه و لحظه‌ای بازار مالی و در دسترس بودن آن‌ها برای معامله‌گران خرد، روش جدیدی به نام تابلوخوانی معاملات در بورس تهران مورد توجه قرار گرفته است. اساس این روش استفاده از داده‌های معاملاتی روزانه و لحظه‌ای بازار مانند ارزش معاملات حقیقی، حقوقی و قیمت سهام است. هدف مقاله حاضر پیش‌بینی قیمت اختیار خرید سهام قابل معامله در بورس تهران به‌عنوان متغیر هدف است. به این منظور از داده‌های معاملاتی روزانه، چهار اختیار خرید سهام که دارای ارزش معاملات بالا و پیوسته بودند، برای پیش‌بینی درصد تغییرات قیمت آن‌ها در روز بعد استفاده شد. با توجه به هم‌بستگی روند قیمتی هر اختیار با سهام پایه آن، داده‌های سهام پایه هرکدام نیز به‌عنوان متغیر ورودی به کار رفته است. با ترکیب روش‌های مختلف انتخاب ویژگی با انواع مدل‌های یادگیری ماشین، عمیق (lstm) و آماری (arima) به بررسی رابطه بین داده‌ها با متغیر هدف پرداخته شد که درمجموع ، شامل هشت روش انتخاب ویژگی و چهارده مدل یادگیری ماشین، عمیق و آماری بود. نتایج نشان داد داده‌های معاملاتی سهم پایه نیز اهمیت بالایی در تغییر یا تایید روند قیمت اختیار دارد؛ به‌طوری‌که قدرت خریداران حقیقی بیشترین فراوانی تکرار را در خروجی نتایج روشهای مختلف انتخاب ویژگی داشت. (به‌طوری‌که قدرت خریداران حقیقی به دفعات بیشتری در خروجی نتایج روشهای مختلف انتخاب ویژگی تکرار شد). روش ترکیبی یادگیری عمیق با همه روش‌های انتخاب ویژگی به‌جز روش autoencoder، خطای کمتری در مقایسه با ترکیب روش‌های یادگیری ماشین و آماری داشت. بااین‌حال، سایر ترکیبات با اطمینان قابل قبولی همراه نبودند.