پيش بيني گرايش احساسي سرمايه گذاران با استفاده ازتكنيكهاي ماشين بردار پشتيبان (SVM) و درخت تصميم (DT)

Predicting Emotional Tendency of Investors Using Support Vector Machine (SVM) and Decision Tree (DT) Techniques

گرايش هاي احساسي سرمايه گذاران بيانگر حاشيه ميزان خوش بيني و بدبيني سهامداران نسبت به يك سهم ميباشد. احساسات سرمايه گذاران تحت تاثير پديده هاي روان شناختي، به رفتار افراد جهت مي بخشند و در بسياري از مواقع، موجب انحراف افراد از رفتار عقلايي ميشوند. هدف از انجام اين پژوهش، بكارگيري روش هاي فراابتكاري جهت پيشبيني گرايشهاي احساسي سرمايه گذاران است. در اين پژوهش با استفاده از 97 نسبت مالي مربوط به176 شركت پذيرفته شده در بورس اوراق بهادار تهران طي دوره زماني 1385 تا1397، اقدام به پيشبيني گرايش هاي احساسي سرمايه گذاران با استفاده از تكنيكهاي ماشين بردار پشتيبان (SVM) و درخت تصميم (DT) شده است. براي سنجش گرايش احساسي سرمايه گذاران از 4 شاخص قدرت نسبي، خط روانشناسانه، حجم معاملات و نرخ تعديل گردش سهام بهره گرفته شده كه در نهايت به كمك روش تجزيه و تحليل مولفه هاي اساسي (PCA) اقدام به تركيب اين شاخصها نموده ايم. جهت مقايسه روشهاي پيش بيني، از مقادير ميانگين مطلق خطا (MAE) و ريشه ميانگين مربعات خطا (RMSE) استفاده شده است. نتايج حاصل از تحليل دادهها بيانگر آن است كه خطاي پيشبيني روش ماشين بردار پشتيبان در مقايسه با درخت تصميم كمتر است.

Investor's emotional tendencies indicate the margin of shareholder's optimism and pessimism towards a stock. Investors' emotions, under the influence of psychological phenomena, direct people's behavior and, in many cases, make people to deviate from the rational behavior. The purpose of this study is to use meta-innovative methods to predict the emotional tendencies of investors. In this study, using 97 financial ratios related to 176 companies listed on the Tehran Stock Exchange during the period between 2006 and 2018, investors' emotional tendencies have been predicted with the help of support vector machine (SVM) and decision tree (DT) techniques.To measure the emotional tendencies of investors, four indicators of relative strength, psychological line, trading volume and stock turnover adjustment rate have been applied. Finally, we have combined these indicators with the help of PCA method. Mean absolute error (MAE) and root mean square error (RMSE) values were used to compare predicting methods. The results of data analysis indicate that the prediction error of the support vector machine method is less than the decision tree.