پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,878 |
| تعداد مقالات | 74,135 |
| تعداد مشاهده مقاله | 137,885,090 |
| تعداد دریافت فایل اصل مقاله | 107,253,354 |
پیش‌بینی‌پذیری شاخص کل بورس اوراق بهادار تهران با رویکرد یادگیری ماشین ترکیبی: تحلیل کارایی بازار و اهمیت متغیرهای مؤثر | ||
| تحقیقات مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 مرداد 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2025.394747.1007738 | ||
| نویسندگان | ||
| نگین باقرپور* 1؛ امیرحسین حیدری دلوئی2؛ مسعود وحدتی3؛ حسین محبی4 | ||
| 1دانشکده علوم مهندسی، پردیس فنی، دانشگاه تهران | ||
| 2دانشکده علوم مهندسی، پردیس فنی، دانشگاه تهران، ایران | ||
| 3دانشکده حسابداری، پردیس مدیریت، دانشگاه تهران | ||
| 4دانشکده مدیریت، دانشگاه میبد | ||
| چکیده | ||
| هدف: این پژوهش با هدف سنجش کارایی بازار سرمایه ایران و بررسی توانایی مدل‌های یادگیری ماشین ترکیبی در پیش‌بینی جهت شاخص کل بورس اوراق بهادار تهران انجام شده است. همچنین، ارزیابی میزان اهمیت عوامل مؤثر بر پیش‌بینی‌پذیری شاخص و توضیح‌پذیری در مدل‌های یادگیری ماشینی از دیگر اهداف این مطالعه است. روش: به‌منظور تحلیل کارایی بازار در دو سطح ضعیف و نیمه‌قوی، از داده‌های مربوط به شاخص کل بورس تهران در بازه زمانی پنج‌ساله از ۱۳۹۸ تا ۱۴۰۳ استفاده شده است. مدل ترکیبی پیشنهادی شامل مدل گرادیان تقویت شده (XGBoost) است که با بهینه‌سازی هایپرپارامترها از طریق الگوریتم ژنتیک (GA) بهبود یافته است. عملکرد این مدل ترکیبی با سایر الگوریتم‌های یادگیری ماشین شامل گرادیان تقویت شده، جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک از لحاظ آماری مقایسه شده است. همچنین، برای افزایش توضیح‌پذیری مدل و تحلیل میزان اهمیت متغیرهای ورودی در پیش‌بینی جهت شاخص، از روش شاپ (SHAP) استفاده شده است. یافته‌ها: نتایج نشان داد که مدل XGBoost-GA نسبت به سایر مدل‌های مقایسه‌ای از لحاظ آماری عملکرد بهتری با دقت 84 درصدی در پیش‌بینی جهت شاخص کل بورس تهران دارد. مقایسه نتایج در سطوح مختلف کارایی بازار نشان داد که در سطح نیمه‌قوی، افزودن متغیرهای بنیادی به مدل پیش‌بینی موجب بهبود دقت شد، که بیانگر تأثیر اطلاعات بنیادی بر پیش‌بینی جهت حرکت شاخص و در نتیجه، ناکارایی بازار در این سطح است. همچنین، در سطح ضعیف، مدل یادگیری ماشین مبتنی بر داده‌های تکنیکال، عملکرد بهتری نسبت به مدل تصادفی داشت که این امر نیز نشانه‌ای از ناکارایی بازار در این سطح محسوب می‌شود. علاوه بر این، تحلیل توضیح‌پذیری مدل با استفاده از SHAP نشان داد که تأثیر متغیرها در پیش‌بینی جهت شاخص بسته به نوع داده‌های ورودی، متفاوت است. در مدل صرفاً تکنیکال، عوامل مرتبط با رفتار قیمتی و نوسانات کوتاه‌مدت مانند شاخص قدرت نسبی (RSI)، حجم معاملات و واگرایی و همگرایی میانگین متحرک نقش کلیدی داشتند. در مقابل، در مدل ترکیبی که شامل داده‌های بنیادی و تکنیکال بود، علاوه بر متغیرهای تکنیکال، عواملی مانند ورود نقدینگی حقیقی و حقوقی، قیمت طلا و شاخص‌های مالی شرکت‌ها نظیر بازده دارایی‌ها (RoA) و بازده حقوق صاحبان سهام (RoE) تأثیر قابل‌توجهی داشتند. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که بازار سرمایه ایران در هر دو سطح ضعیف و نیمه‌قوی ناکاراست و قابلیت پیش‌بینی‌پذیری شاخص کل با استفاده از داده‌های تکنیکال و بنیادی امکان‌پذیر است. تحلیل اهمیت متغیرهای ورودی نشان می‌دهد که برخی شاخص‌های تکنیکال، بنیادی و کلان اقتصادی نقش مهم‌تری در پیش‌بینی رفتار بازار دارند که این موضوع می‌تواند به تصمیم‌گیری‌های سرمایه‌گذاری آگاهانه‌تر و درک بهتر رفتار مدل‌های یادگیری ماشین در پیش‌بینی سری‌های زمانی مالی کمک کند. بر اساس نتایج عددی به دست آمده، استفاده از این مسیر کلی به منظور طراحی یک ابزار ساده و قابل اعتماد برای پیشنهاد معاملات خوب به کاربر توصیه می شود. واژه‌های کلیدی: نظریه کارایی بازار، الگوریتم ژنتیک، توضیح‌پذیری یادگیری ماشین، تقویت گرادیان شدید، شاخص کل بورس تهران. | ||
| کلیدواژه‌ها | ||
| نظریه کارایی بازار؛ الگوریتم ژنتیک؛ توضیح‌پذیری یادگیری ماشین؛ تقویت گرادیان شدید؛ شاخص کل بورس تهران | ||
|
آمار تعداد مشاهده مقاله: 228 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب