پيش‌بيني روند حركتي قيمت سهام با استفاده از ماشين بردار پشتيبان برپايه الگوريتم ژنتيك در بورس اوراق بهادار تهران

Predicting Stock Price Movement Using Support Vector Machine Based on Genetic Algorithm in Tehran Stock Exchange Market

با توجه به گسترش روز‌افزون روش‌هاي پيش‌بيني در بازارهاي مالي و نيز، از آنجا كه قيمت سهام يكي از مهم‌ترين عوامل موثر در تصميمات سرمايه‌گذاري است و پيش‌بيني آن مي‌تواند نقش با اهميتي در اين زمينه ايفا كند، در اين پژوهش سعي شده است، مدلي ارايه شود تا بر اساس آن بتوان روند حركتي قيمت سهام شركت مورد نظر را با دقت بالايي پيش‌بيني كرد. بر همين اساس، يك مدل تركيبي براي پيش‌بيني روند حركتي قيمت سهام با استفاده از ماشين بردار پشتيبان بر پايه الگوريتم ژنتيك ارايه شده است. براي نمونه آماري، سي شركت از پنجاه شركت برتر بورس اوراق بهادار در سه ماهه دوم سال 90 انتخاب شده‌ است. سپس براي هر سي شركت، 44 متغير محاسبه شد. اين متغيرها ورودي مدل تركيبي هستند و به‎كمك الگوريتم ژنتيك بهينه‌سازي ‌شده‌اند. نتايج نشان مي‌دهد، مدل تركيبي ماشين بردار پشتيبان بر پايه الگوريتم ژنتيك در پيش‌بيني‌ روند حركتي قيمت سهام بسيار بهتر عمل كرده و درمقايسه با روش ماشين بردار پشتيبان ساده، از دقت بالاتري برخوردار است

According to recent developments of predicting methods in financial markets, and since the stock price is one of the most important factors for investment decision-making, and its prediction can play an important role in this field, the aim of this study is to provide a model to predict the stock price movement with high accuracy. Accordingly, a hybrid model for predicting the stock price movement using Support Vector Machine (SVM) based on genetic algorithms is presented. Thirty companies from the top 50 companies in Tehran Stock Exchange in 2011 are selected as sample. Then, for each company, 44 variables have been calculated. These variables are the inputs of the hybrid model and are optimized using genetic algorithm. The results show that the hybrid model of Support Vector Machine based on genetic algorithms has better performance in predicting the stock price movement and it has a higher accuracy compared with the simple Support Vector Machine.