تحلیل حساسیت مدل‌‌های یادگیری ماشین در پیش‌‌بینی شاخص‌ بورس تهران: تأثیر پارامترهای ورودی بر کارایی

انصاری, فاطمه; جهانگیری, شهاب; رضازاده, علی

doi:10.22059/frj.2025.387933.1007689

	تحلیل حساسیت مدل‌‌های یادگیری ماشین در پیش‌‌بینی شاخص‌ بورس تهران: تأثیر پارامترهای ورودی بر کارایی
تحقیقات مالی
دوره 28، شماره 3، 1405، صفحه 836-859 اصل مقاله (1.29 M)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2025.387933.1007689
نویسندگان
فاطمه انصاری¹؛ شهاب جهانگیری^* ²؛ علی رضازاده³
¹دانشجوی دکتری، گروه اقتصاد مالی، دانشکدۀ اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
²نویسندۀ مسئول، دانشیار، گروه اقتصاد، دانشکدۀ اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران
³دانشیار، گروه اقتصاد، دانشکدۀ اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
چکیده
هدف: این پژوهش به ارزیابی حساسیت مدل‌های یادگیری ماشین به متغیرهای ورودی و شناسایی مهم‌ترین متغیرهای تأثیرگذار در پیش‌بینی شاخص بورس تهران پرداخته است. همچنین، مقایسۀ کارایی مدل‌ها در پیش‌بینی شاخص بورس با تمرکز بر تأثیر پارامترهای ورودی و ارائۀ راه‌کارهایی برای بهینه‌سازی داده‌های ورودی و کاهش پیچیدگی مدل‌ها، از دیگر اهداف این پژوهش است. متغیرهای ورودی عبارت‌اند از: قیمت‌های باز، بالا، پایین و حجم معاملات. روش: در پژوهش حاضر به‌دلیل وجود یک متغیر هدف و ناظر که همان متغیر قیمت پایانی (Close) است، درمی‌یابیم که باید از رویکرد یادگیری نظارت شده استفاده شود. از سوی دیگر، به‌دلیل کمی یا پیوسته‌بودن مقیاس متغیر هدف، مسئله به فرم رگرسیون تعریف شده است و در نهایت، پیش‌بینی‌های حاصل از چهار الگوریتم قدرتمند یادگیری ماشین (مدل خطی، رگرسیون بردار پشتیبان، شبکۀ عصبی مصنوعی و جنگل تصادفی) با استفاده از توابع میانگین خطای مطلق (MAE)، میانگین مربعات خطا (MSE) و ضریب تعیین ²R با یکدیگر مقایسه و مدل نهایی برای بهترین مدل پیش‌بینی ارائه شده است. معیار خطای مطلق، به‌نوعی نشان‌دهندۀ متوسط اندازۀ خطاها و معیار میانگین مربعات خطا، گویای اختلاف بین مقادیر پیش‌بینی شده و واقعی است؛ بنابراین هرچه مقدار این دو معیار کمتر باشد، دقت بیشتر پیش‌بینی‌ها را نشان می‌دهد. ضریب تعیین ²R نشان‌دهندۀ درصدی از واریانس داده‎‌هاست که توسط مدل توضیح داده می‌شود. مقدار نزدیک به 1، دقت بسیار زیاد را نشان می‌دهد. داده‌های استفاده‌شده، شامل شش شاخص روزانۀ منتخب از صنایع دارویی، خودرویی، مالی، صنایع غذایی، فلزات اساسی و فراورده‌های نفتی، طی سال‌های ۱۳۹۹ تا ۱۴۰۳ است. برای تحلیل حساسیت، اهمیت متغیرهای ورودی مانند قیمت‌های باز، بالا، پایین و حجم معاملات بر پیش‌بینی خروجی هر مدل بررسی شد. یافته‌ها: نتایج تحلیل حساسیت نشان داد که مدل‌های خطی، جنگل تصادفی و شبکۀ عصبی مصنوعی، در هیچ‌یک از شش شاخص نسبت به متغیر ورودی حجم معاملات واکنشی نشان ندادند. رگرسیون بردار پشتیبان (SVR) به پارامترهای ورودی در شاخص مالی حساسیت منفی نشان داد. این موضوع می‌تواند نشان‌دهندۀ فشار فروش، ضعف روند صعودی یا جوّ روانی منفی در بازار مالی، به‌سمت دارایی‌های امن‌تر مثل اوراق قرضه و سپرده‌های بانکی باشد. در مقابل، مدل‌های دیگر شامل جنگل تصادفی، شبکۀ عصبی مصنوعی (ANN) و رگرسیون خطی، حساسیت نسبتاً مشابهی به متغیرهای ورودی نشان دادند. این مدل‌ها به پارامترهای ورودی وابستگی مستقیم‌تری دارند و اهمیت نسبی متغیرها در پیش‌بینی خروجی را بهتر نمایان می‌کنند. نتیجه‌گیری: این پژوهش به شناسایی مهم‌ترین متغیرهای تأثیرگذار بر تغییرات شاخص بورس کمک می‌کند و نشان می‌دهد که مدل‌های پیچیده‌تر، مانند جنگل تصادفی، شبکۀ عصبی و رگرسیون بردار پشتیبان، در شاخص دارویی و فراورده‌های نفتی و غذایی به‌دلیل حساسیت بیشتر، می‌توانند در پیش‌بینی دقیق‌تر شاخص‌های بورس مؤثرتر عمل کنند. این نتایج می‌تواند به بهبود طراحی مدل‌های پیش‌بینی و تصمیم‌گیری در بازار سرمایه کمک کند. تحلیل حساسیت به شناسایی متغیرهای مهم و حذف ویژگی‌های غیرضروری کمک می‌کند که به افزایش سرعت و کاهش پیچیدگی مدل‌ها منجر می‌شود. نتایج این پژوهش می‌تواند برای سرمایه‌گذاران و سیاست‌گذاران اقتصادی، به‌منظور تصمیم‌گیری‌های آگاهانه‌تر مفید باشد.
کلیدواژه‌ها
تحلیل حساسیت؛ جنگل تصادفی؛ رگرسیون بردار پشتیبان.
مراجع

آمار تعداد مشاهده مقاله: 748 تعداد دریافت فایل اصل مقاله: 35