پيش بيني شاخص بورس اوراق بهادار تهران با تركيب روشهاي آناليز مولفه هاي اصلي، رگرسيون بردارپشتيبان و حركت تجمعي ذرات

The Index Prediction of Tehran Stock Exchange by Combining the Principal Components Analysis, Support Vector Regression and Particle Swarm Optimization

پیش­بینی نوسان‌های آینده شاخص سهام می­تواند اطلاعاتی در مورد روند آینده بازار سرمایه فراهم نماید. در این پژوهش، به منظور افزایش دقت پیش­بینی شاخص بورس اوراق بهادار تهران، تركیبی از روش­های آماری و هوش مصنوعی به كار رفته است. مدل اصلی پیش­بینی در این پژوهش، رگرسیون بردار پشتیبان بهینه شده به وسیله الگوریتم حركت تجمعی ذرات می­باشد. در برازش مدل رگرسیون بردار پشتیبان، سه پارامتر توضیحی وجود دارد كه باید تركیبی از این سه پارامتر توسط كاربر و به صورت آزمایش و خطا انتخاب شود تا دقت مدل را به بیشترین حد خود برساند. با توجه به زمان­بر بودن و كارایی پایین انتخاب پارامتر توسط كاربر، برای انتخاب تركیب بهینه پارامترهای مدل رگرسیون بردار پشتیبان، از روش بهینه­سازی حركت تجمعی ذرات استفاده شده است كه الگوریتمی قوی در حوزه بهینه­سازی می­باشد. با توجه به حجم زیاد داده­های ورودی به مدل برای كاهش زمان یادگیری و افزایش دقت پیش­بینی، با استفاده از روش آنالیز مولفه­های اصلی، پیش­پردازش روی متغیرهای ورودی صورت گرفته و به مولفه­های اصلی تبدبل شده است. نتایج بدست آمده نشان داد كه پیش­پردازش روی دادها، خطای پیش­بینی مدل را به طور قابل ملاحظه­ای كاهش داده است.

The prediction of future fluctuations in stock index can provide information about the future trend in the capital market. In order to increase the accuracy of the prediction of stock exchange index, this study used a combination of statistical methods and artificial intelligence. In this study, a hybrid stock index prediction model by utilizing principal component analysis (PCA), support vector regression (SVR) and particle swarm optimization (PSO) is proposed. In the proposed model, first, the PCA is used to deal with the nonlinearity property of the stock index data. The proposed model utilizes PCA to extract features from the observed stock index data. The features which can be used to represent underlying/hidden information of the data are then served as the inputs of SVR to build the stock index prediction model. Finally, PSO is applied to optimize the parameters of the SVR prediction model since the parameters of SVR must be carefully selected in establishing an effective and efficient SVR model. The findings show that preprocessing the data can decrease the prediction error of the model significantly.