رتبه‌بندي سهام‌ شركت‌هاي بورس اوراق بهادار تهران بر اساس مدل تركيبي درخت تصميم و رگرسيون لجستيك

Ranking stocks of listed companies on Tehran stock exchange using a hybrid model of decision tree and logistic regression

تاكنون تحقيقات بسياري در چهارچوب مدل‌هاي خطي يا غيرخطي و با استفاده از مدل‌هاي آماري و ابزارهاي يادگيري ماشين در هوش مصنوعي براي برآورد نرخ بازده سهام در ايران معرفي شده است. هدف عمدهٔ اين روش‌ها استفادهٔ هم‌زمان از متغيرهاي مستقل متفاوت براي بهبود مدل‌سازي نرخ بازده سهام است؛ درحالي‌كه در فرايند پيش‌بيني‌پذيري نرخ بازده، علاوه بر نحوهٔ مدل‌سازي، ميزان همبستگي متغيرهاي مستقل با يكديگر و درنتيجه افزايش اريبي برآوردگرهاي مدل نيز از اهميت ويژه‌اي‌ برخوردار است. ازاين‌رو، در اين مقاله بر اساس مدل تركيبي درخت تصميم و رگرسيون لجستيك به‌صورت هم‌زمان متغيرهاي اثرپذير را تشخيص داده شده و سپس مدلسازي غيرخطي نرخ بازده انجام شده است. به‌منظور بررسي مدل پيشنهادي، اطلاعات 100 شركت پذيرفته‌شده در بورس اوراق بهادار طي بازهٔ زماني 1390-1397 در نظر گرفته و بر اساس مدل پيشنهادي، وزن‌هاي انتخاب پرتفوي بهينه برآورد شده است. نتايج بررسي ما نشان مي‌دهد كه الگوريتم تركيبي پيشنهادي، از مدل‌هاي رقيب بازدهي بهتري دارد.

Much research has introduced linear or nonlinear models using statistical models and machine learning tools in artificial intelligence to estimate Iran's rate of return. The primary purpose of these methods is simultaneously use different independent variables to improve stock return rates' modeling. However, in predicting the rate of return, in addition to the modeling method, the degree of correlation of the independent variables with each other and, consequently, the biased increase of the model estimators is of particular importance. Hence, in this paper, we perform a concurrent model of decision tree and logistic regression with affective variables simultaneously and then make a nonlinear model of return rate. To evaluate the proposed model, information of 100 companies admitted to the stock exchange during the period 2011 to 2018 is considered. The results of our study show that the proposed hybrid algorithm performs better than competing models.