ﻣﻘﺎﯾﺴﻪ کارایی ﻣﺪلﻫﺎی ﯾﺎدگیری ﻣﺎﺷﯿﻦ و ﻣﺪلﻫﺎی آﻣﺎری در پیش‌بینی بازده صندوق‌های سرمایه‌گذاری کشورهای توسعه‌یافته و در حال توسعه

این پژوهش، به مقایسه کارایی مدل‌های آماری و یادگیری ماشین در پیش‌بینی بازده صندوق‌های سرمایه‌گذاری در کشورهای توسعه‌یافته و در حال توسعه عضو فدراسیون بورس‌های اروپایی و آسیایی پرداخته است. پژوهش حاضر، از نوع کاربردی است و داده‌های مالی دوره 2015 تا 2023 مرتبط با صندوق‌های کشورهای مذکور را بررسی می‌کند. برای پیش‌بینی بازده، روش‌های یادگیری ماشین، و روش‌های آماری مورد مقایسه قرار گرفته‌اند. هدف اصلی، سنجش کارایی مدل‌ها در پیش‌بینی عملکرد صندوق‌ها تحت شرایط اقتصادی متفاوت است. نتایج پژوهش نشان داد که روش‌های یادگیری ماشین به‌ویژه در زمینه پیش‌بینی بازده صندوق‌های سرمایه‌گذاری در کشورهای توسعه‌یافته و در حال توسعه، عملکرد بهتری نسبت به روش‌های آماری دارند. در پژوهش حاضر، مدل‌های یادگیری ماشین مانند درخت تصمیم و c5 با دقت پیش‌بینی 99 درصد، بهترین نتایج را ارائه دادند، در حالی که مدل‌های آماری نظیر رگرسیون خطی و رگرسیون لجستیک نتوانستند به همین سطح دقت دست یابند. همچنین، درخت طبقه‌بندی و نردبان تصمیم نیز نتایج قابل‌قبولی داشتند. در مقابل، پرسپترون چندلایه نتایج ضعیف‌تری را نشان داد. بنابراین، بر اساس یافته‌های تحقیق، استفاده از مدل‌های یادگیری ماشین می‌تواند ابزار موثرتری برای پیش‌بینی بازده صندوق‌های سرمایه‌گذاری باشد. این روش‌ها با دقت بالاتری عملکرد صندوق‌ها را تحت شرایط اقتصادی مختلف پیش‌بینی کرده و به سرمایه‌گذاران کمک می‌کنند تا تصمیمات بهتری در زمینه انتخاب و مدیریت سرمایه‌گذاری‌های خود اتخاذ کنند.

comparing the effectiveness of machine learning models and statistical models in predicting the returns of investment funds in developed and developing countries

this study compares the effectiveness of statistical and machine learning models in predicting the returns of investment funds in developed and developing countries that are members of the federation of european and asian stock exchanges. the present study is of an applied type and examines financial data from 2015 to 2023 related to funds in the mentioned countries. to predict returns, machine learning methods and statistical methods are compared. the main objective is to measure the effectiveness of models in predicting the performance of funds under different economic conditions. the results of the study showed that machine learning methods perform better than statistical methods, especially in predicting the returns of investment funds in developed and developing countries. in the present study, machine learning models such as decision tree and c5 provided the best results with a prediction accuracy of 99%, while statistical models such as linear regression and logistic regression could not achieve the same level of accuracy. also, classification tree and decision ladder also had acceptable results. in contrast, multilayer perceptron showed weaker results. therefore, based on the research findings, the use of machine learning models can be a more effective tool for predicting the returns of investment funds. these methods predict the performance of funds under different economic conditions with higher accuracy and help investors make better decisions in the field of selecting and managing their investments.