پیشبینیپذیری شاخص کل بورس اوراق بهادار تهران با رویکرد یادگیری ماشین ترکیبی: تحلیل کارایی بازار و اهمیت متغیرهای مؤثر | ||
| تحقیقات مالی | ||
| دوره 28، شماره 2، 1405، صفحه 464-493 اصل مقاله (1016.58 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2025.394747.1007738 | ||
| نویسندگان | ||
| امیرحسین حیدری دلوئی1؛ مسعود وحدتی2؛ حسین محبی3؛ نگین باقرپور* 4 | ||
| 1دانشجوی کارشناسی ارشد، گروه الگوریتمها و محاسبات، دانشکدۀ علوم مهندسی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران. | ||
| 2کارشناس ارشد، گروه مالی، دانشکده مالی و حسابداری، دانشکدگان مدیریت، دانشگاه تهران، ایران. | ||
| 3استادیار، گروه مدیریت صنعتی، دانشکده علوم انسانی، دانشگاه میبد، میبد، ایران. | ||
| 4استادیار، گروه الگوریتمها و محاسبات، دانشکده علوم مهندسی، دانشگاه تهران، ایران. | ||
| چکیده | ||
| هدف: این پژوهش با هدف سنجش کارایی بازار سرمایۀ ایران و بررسی توانایی مدلهای یادگیری ماشین ترکیبی، برای پیشبینی جهت شاخص کل بورس اوراق بهادار تهران اجرا شده است. همچنین، ارزیابی میزان اهمیت عوامل مؤثر بر پیشبینیپذیری شاخص و توضیحپذیری در مدلهای یادگیری ماشینی، از دیگر اهداف این مطالعه است. روش: بهمنظور تحلیل کارایی بازار در دو سطح ضعیف و نیمهقوی، از دادههای مربوط به شاخص کل بورس تهران، در بازۀ زمانی پنجساله، از ۱۳۹۸ تا ۱۴۰۳ استفاده شده است. مدل ترکیبی پیشنهادی، شامل مدل گرادیان تقویت شده (XGBoost) است که با بهینهسازی هایپرپارامترها، از طریق الگوریتم ژنتیک (GA) بهبود یافته است. عملکرد این مدل ترکیبی با سایر الگوریتمهای یادگیری ماشین، شامل گرادیان تقویت شده، جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک از لحاظ آماری مقایسه شده است. همچنین، برای افزایش توضیحپذیری مدل و تحلیل میزان اهمیت متغیرهای ورودی برای پیشبینی جهت شاخص، از روش شاپ استفاده شده است. یافتهها: نتایج نشان داد که مدل XGBoost-GA نسبت به سایر مدلهای مقایسهای، از لحاظ آماری، برای پیشبینی جهت شاخص کل بورس تهران با دقت ۸۴درصد، عملکرد بهتری دارد. مقایسه نتایج در سطوح مختلف کارایی بازار نشان داد که در سطح نیمهقوی، افزودن متغیرهای بنیادی به مدل پیشبینی، موجب بهبود دقت شد که بیانگر تأثیر اطلاعات بنیادی بر پیشبینی جهت حرکت شاخص و در نتیجه، ناکارایی بازار در این سطح است. همچنین، در سطح ضعیف، مدل یادگیری ماشین مبتنی بر دادههای تکنیکال، عملکرد بهتری نسبت به مدل تصادفی داشت که این امر نیز نشانهای از ناکارایی بازار در این سطح محسوب میشود. علاوهبراین، تحلیل توضیحپذیری مدل با استفاده از شاپ نشان داد که تأثیر متغیرها در پیشبینی جهت شاخص، بسته به نوع دادههای ورودی، متفاوت است. در مدل فقط تکنیکال، عوامل مرتبط با رفتار قیمتی و نوسانهای کوتاهمدت مانند شاخص قدرت نسبی (RSI)، حجم معاملات و واگرایی و همگرایی میانگین متحرک نقش کلیدی داشتند. در مقابل، در مدل ترکیبی که شامل دادههای بنیادی و تکنیکال بود، علاوهبر متغیرهای تکنیکال، عواملی مانند ورود نقدینگی حقیقی و حقوقی، قیمت طلا و شاخصهای مالی شرکتها نظیر بازده داراییها و بازده حقوق صاحبان سهام تأثیر چشمگیری داشتند. نتیجهگیری: نتایج پژوهش نشان میدهد که بازار سرمایه ایران در هر دو سطح ضعیف و نیمهقوی ناکاراست و قابلیت پیشبینیپذیری شاخص کل با استفاده از دادههای تکنیکال و بنیادی امکانپذیر است. تحلیل اهمیت متغیرهای ورودی نشان میدهد که برخی شاخصهای تکنیکال، بنیادی و کلان اقتصادی نقش مهمتری در پیشبینی رفتار بازار دارند که این موضوع میتواند به تصمیمگیریهای سرمایهگذاری آگاهانهتر و درک بهتر رفتار مدلهای یادگیری ماشین در پیشبینی سریهای زمانی مالی کمک کند. | ||
| کلیدواژهها | ||
| نظریه کارایی بازار؛ الگوریتم ژنتیک؛ توضیحپذیری یادگیری ماشین؛ تقویت گرادیان شدید؛ شاخص کل بورس تهران | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2,859 تعداد دریافت فایل اصل مقاله: 630 |
||