الگوريتم پيشنهادي براي انتخاب ويژگي‌هاي مناسب به‌منظور پيش‌بيني شاخص بورس اوراق بهادار تهران

The Proposed Algorithm to selec‎t Appropriate Features for Predicting Tehran Stock Exchange Index

عملكرد يك مدل هوشمند تا حد زيادي به انتخاب مرتبط­ترين و تأثيرگذارترين متغيرهاي ورودي و كمترين پيچيدگي مدل يادگيري بستگي دارد. از اين­رو در مطالعه حاضر، براي پيش­بيني روزانه شاخص كل بورس اوراق بهادار تهران بر اساس متغيرهاي مالي و اقتصادي، ابتدا اقدام به اولويت­ بندي ويژگي­ها با الگوريتم MID نموده، سپس از 4 مدل مختلف شبكه عصبي (MLP, SVR, RBF, DNN) كه از مهم­ترين و بديع­ترين مدل­هاي پيش ­بيني مي­باشند، استفاده مي­شود. با توجه به نتايج بدست آمده از تحليل مدل­هاي مورد بررسي، در نهايت الگوريتمي براي انتخاب ويژگي­هاي مناسب براي پيش­بيني شاخص، تحت عنوانISF­_MID پيشنهاد شده و با تعدادي از روش ­هاي مشابه، مقايسه مي­گردد. داده ­هاي مورد استفاده در اين پژوهش به صورت روزانه در بازه زماني 28/10/1392 تا 30/5/1397 جمع­آوري شده ­اند. مدل­هاي مورد بررسي در مرحله پياده­سازي با روش اعتبارسنجي متقابل K-fold مورد ارزيابي قرار گرفتند. همچنين از معيارهاي MAE، MSE و RMSE براي ازريابي عملكرد مدل­هاي مذكور استفاده مي­شود. نتايج نشان مي­دهد كه با روش­ پيشنهادي، مي­توان با 7 ويژگي انتخابي به دقت بالايي در پيش­بيني روزانه شاخص كل بورس اوراق بهادار تهران دست­يافت.

The performance of an intelligent model largely depends on the selection of the most relevant and most influential input variables and the lowest complexity of the learning model. Therefore, in the present study, to predict the index of Tehran Stock Exchange based on financial and economic variables, first prioritize featuresWith MID algorithm, then 4 different neural network models (MLP, SVR, RBF, DNN) are used, which are the most important and innovative prediction models. According to the results of the analysis of the studied models, an algorithm is proposed to select the appropriate features on the index, as ISF-MID, and are compared with several similar methods. The data used in this study were collected daily in the period of 18/01/2014 to 21/08/2018. Evaluation of the models was performed by K-fold cross validation method. The MAE, MSE, and RMSE criteria are also used to evaluate the performanceof the mentionedmodels. The results show that with the proposed method, with 7 selected features, it is possible to achieve high accuracy in predicting the daily index of the Tehran Stock Exchange.