جستجوی مقالات مرتبط با کلیدواژه « انتخاب ویژگی » در نشریات گروه « مالی »
تکرار جستجوی کلیدواژه «انتخاب ویژگی» در نشریات گروه «علوم انسانی»-
پیش بینی روند تغییرات شاخص و قیمت سهام مسیله بسیار پیچیده ای است که تحت تاثیر عوامل مختلف محیطی، صنعتی، خرد یا کلان درون شرکتی قرار دارد. اندازه گیری عوامل ذکر شده بسیار مشکل است و یا در بعضی موارد قابلیت اندازه گیری ندارند، ولی برخی از عوامل خرد مانند سابقه قیمت و حجم معاملات به سادگی قابل اندازه گیری و در دسترس است. در این پژوهش با استفاده از الگوریتم های انتخاب ویژگی و دسته بندی، روشی جهت تعیین موثرترین اندیکاتورها برای شاخص کل و شاخص کل هم وزن ارایه خواهد شد. سپس مدل پیشنهادی را در بازه زمانی روزانه و هفتگی از دی ماه 1398 الی اردیبهشت ماه 1401 مورد بررسی قرار خواهیم داد. نتایج نشان می دهد پیش بینی روند تغییرات با استفاده از تعداد محدودی از اندیکاتورها با دقت بالایی امکان پذیر است و همچنین در بازه زمانی هفتگی نسبت به بازه زمانی روزانه دقت پیش بینی به طور قابل محسوسی بیشتر می باشد.
کلید واژگان: شاخص کل, اندیکاتور, انتخاب ویژگی, دسته بندی}Because of the numerous environmental, industrial, micro, and macro elements that influence the index and stock price trend, it is undeniably difficult to predict changes in the index and stock price trend. Although the aforementioned factors are difficult or impossible to measure in some cases, micro factors such as price history and trade volume are simply measurable and available. The goal of this research is to use feature selection and classification algorithms to find the most effective features and indicators for predicting the total index and total weighted index. Then we will examine the proposed model in the daily and weekly time period from January 2020 to May 2022. The results show that it is possible to predict the trend of changes with high accuracy using a limited number of indicators, and that the prediction accuracy is much higher in the weekly time interval than in the daily time interval.
Keywords: Total index, indicator, Feature Selection, Classification} -
شاخص بورس یکی از عوامل موثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تاثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجموعه داده شامل همه این ترکیبها برای آموزش مدل پیش بینی شاخص بورس، غیرعملی است. در این پژوهش تلاش شده است پس از جمع آوری تعداد قابل توجهی از ویژگیهای موثر بر شاخص، روشی برای انتخاب ویژگیهای مناسب مدل پیش بینی شاخص بورس با هدف افزایش دقت پیش بینی ارایه شود. بدین منظور، از الگوریتم mRMR به عنوان الگوریتم پایه استفاده شده است. همچنین برای انتخاب مدل مناسب، به مقایسه تعدادی از پرکاربردترین مدلهای هوش مصنوعی در پیش بینی شاخص بورس اقدام شد و با توجه به نتایج حاصل شده، شبکه LSTM برای پیش بینی شاخص بورس انتخاب گردید. نتایج این مطالعه نشان می دهد که با استفاده از شبکه LSTM و روش پیشنهادی در گزینش ویژگیها، می توان با 8 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت. بطوری که میانگین درصد خطا حدود 2.66 محاسبه شده است.
کلید واژگان: پیش بینی شاخص بورس, انتخاب ویژگی, یادگیری عمیق, شبکه عصبی حافظه کوتاه مدت ماندگار}The stock market index is one of the effective features in investment because it can well reflect the health status and macro change trend of a country’s economic development. Various features affect the stock index. The various combinations of these features create a wide state space. Hence, it is impractical to provide a data set containing all these combinations to train the stock index prediction model. in this research, an attempt has been made, after collecting a significant number of effective features on the index, to provide a method for selecting appropriate features for the stock index prediction model with aim of increasing prediction accuracy. For this purpose, the mRMR algorithm is used as the basic algorithm. Also, to select the appropriate model, a number of the most applicable artificial intelligence models for predicting the stock index were compared and according to the results, the LSTM network was selected to predict the stock index. The results of this study show that using the LSTM network and the proposed method in selecting features, with 8 selected features, high accuracy can be achieved in the daily prediction of the Tehran Stock Exchange Index. So that MPE is calculated to be about 2.66,
Keywords: Stock Index Prediction. Feature Selection, Deep Learning, Long Short-Term Memory} -
بازارهای سهام نقش مهمی در سازماندهی سیستم های اقتصادی مدرن دارند. پژوهش های گسترده ای در زمینه پیش بینی آن ها با استفاده از تکنیک های هوشمند انجام شده است. با توجه به این که دقت عملکرد این تکنیک ها به میزان قابل توجهی تحت تاثیر ویژگی های ورودی آن است، یکی از پیشرفت های به کار رفته در استفاده از مدل های هوشمند، علاوه بر کاربرد مدل های ترکیبی، استفاده از کاهش ابعاد به عنوان یک پیش مرحله برای مدل پیش بینی می باشد. در این پژوهش برای پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران همزمان از دو روش کاهش ابعاد (انتخاب و استخراج) به منظور انتخاب ویژگی های مناسب به عنوان ورودی های مدل استفاده می شود. به طوری که برای انتخاب ویژگی ها از الگوریتم mRMR-MID و برای استخراج ویژگی ها از الگوریتم PCA استفاده می شود. سپس از رگرسیون بردار پشتیبان به عنوان مدل پیش بینی استفاده می شود. با توجه به نتایج بدست آمده از تحلیل استفاده از تکنیک های کاهش ابعاد در مدل پیش بینی، در نهایت الگوریتمی برای انتخاب ویژگی های مناسب بر شاخص، تحت عنوانISF _MID پیشنهاد می شود. نتایج نشان می دهد که با روش پیشنهادی، می توان با 7 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران با درصد خطا 46/3 دست یافت. لازم به ذکر است مدل های مورد بررسی در مرحله پیاده سازی با روش اعتبارسنجی متقابل k-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدل های مذکور استفاده می شود.کلید واژگان: پیش بینی شاخص بورس, رگرسیون بردار پشتیبان, تکنیک کاهش ابعاد, انتخاب ویژگی, تجزیه و تحلیل مولفه های اصلی}Stock markets play a significant role in organizing modern economic systems. Several research projects have been performed in the field of prediction using intelligent techniques. Considering that the accuracy of these techniques is significantly affected by their input features, one of the improvements made in the use of intelligent models, in addition to the application of hybrid models, is the use of dimensionality reduction as a preprocessing for the prediction model. In this study, in order to predict the daily index of the Tehran Stock Exchange, two methods of dimensional reduction (selection and extraction) are used simultaneously to select appropriate features as model inputs. Hence, the MRMR-MID algorithm is used to select features and the PCA algorithm is used to extract features. Then, support vector regression is used as a prediction model. Finally, an algorithm for selecting suitable features is proposed as ISF_ MID, according to the results obtained from the analysis of the use of dimensional reduction techniques in the prediction model. 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. It should be noted that the studied models were evaluated in the implementation stage by the k-fold cross-validation method. MAE, MSE, and RMSE criteria are also used to evaluate the performance of these models.Keywords: Stock Index Prediction, Support Vector Regression, Dimension Reduction Technique, Feature selection}
-
یکی از مهم ترین مسایلی که همواره بانک ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری می باشد. رقم قابل توجه مطالبات معوق بانک ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می باشد. از این رو تاکنون تلاش های بسیاری به منظور ارایه مدلی کارا جهت ارزیابی و طبقه بندی هر چه دقیق تر متقاضیان تسهیلات اعتباری صورت گرفته است. در این راستا، پژوهش حاضر سعی در ارایه رویکردی نو برای ارزیابی ریسک اعتباری مشتریان بانکی دارد. روش ماشین بردار پشتیبان (SVM) به عنوان طبقه بندی کننده ی اصلی با یک روش انتخاب ویژگی به نام الگوریتم مورچگان باینری (BACO-SVM) ترکیب می گردد. به منظور نشان دادن اثر بخشی روش پیشنهادی از داده های مربوط به 85 شرکت از تسهیلات گیرندگان حقوقی یک بانک ایرانی در یک بازه ی 5 ساله (1389-1393) به همراه 16 ویژگی مربوط به هر یک از آن ها استفاده نموده ایم. نتایج روش BACO-SVM با روش PSO-SVM، GA-SVM و روش SVM به تنهایی مقایسه گردیده است. یافته های پژوهش دلالت بر آن داشته که در ارزیابی ریسک اعتباری، مدل BACO-SVM نسبت به روش های دیگر از عملکرد خوبی برخوردار است. در نتیجه با استفاده از روش BACO-SVM به طبقه بندی مشتریان به دو گروه مشتریان خوش حساب و بدحساب می پردازیم. و در نهایت جهت افزایش انعطاف پذیری در تصمیم گیری، مشتریان خوش حساب را با استفاده از روش VIKOR رتبه بندی می کنیم. این رتبه بندی منجر به آن می شود که قضاوت دقیق تری درباره ی وضعیت ریسک اعتباری متقاضیان خوش حساب صورت گیرد.
کلید واژگان: ریسک اعتباری, رتبه بندی اعتباری, ماشین بردار پشتیبان, انتخاب ویژگی, الگوریتم بهینه سازی مورچگان باینری}One of the most important issues faced by banks and financial institutions is the issue of credit risk. The significant amount of deferred bank claims around the world indicates the importance of this issue and the need to pay attention to it. So far, many efforts have been made to provide an effective model for evaluating and classification credit applicants as accurately as possible. In this regard, the present study attempts to provide a new approach for assessing the credit risk of bank customers. The support vector machine(SVM) method is combined as the main classifier of banking customers, with a feature selection method called the Binary Ant Colony Optimization Algorithm(BACO-SVM). In order to demonstrate the effectiveness of the proposed method, we used data from 85 companies from legal recipients of facilities of an Iranian bank in a 5 year interval (1393-1893) along with 16 characteristics related to each of them. The results of the BACO-SVM method have been compared with the PSO-SVM, GA-SVM, and SVM method. The results of the research indicated that BACO-SVM model has better performance in assessing credit risk rather than other methods. As the result, using the BACO-SVM method, we classify customers into two groups of good and bad account customers. Finally, in order to increase the flexibility in decision making, we will rank our good account customers with the VIKOR method. This rating will lead to a more accurate assessment of the credit risk situation of good account applicants.
Keywords: Credit Risk, Credit Rating, Support Vector Machine, Feature Selection, Binary ACO} -
نشریه تحقیقات مالی، پیاپی 50 (تابستان 97)، صص 173 -192هدف
هدف این پژوهش ارائه رویکردی جدید برای انتخاب متغیرهای موثر در پیش بینی درماندگی مالی با استفاده از نظر خبرگان و الگوریتم های تصمیم گیری است.
روش
بدین منظور 29 نسبت مالی برای شرکت های تولیدی درمانده مالی بر اساس ماده 141 قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385 تا 1395 با استفاده از صورت های مالی حسابرسی شده برای یک، دو و سه سال قبل از درماندگی جمع آوری شده است. سپس با استفاده از آزمون آماری و الگوریتم های تصمیم گیری دیمتل و تودیم فازی، بهترین نسبت های مالی به همراه ضریب اهمیت هر یک انتخاب و با استفاده از ماشین بردار پشتیبان، پیش بینی درماندگی مالی انجام شد.
یافته ها
آزمون مقایسات زوجی نشان داد که اختلاف دقت مدل پیشنهادی در پیش بینی درماندگی مالی برای هر سه سال t-1، t-2 و t-3 نسبت به دقت مدل های آلتمن و رگرسیون لجستیک در سطح خطای 5 درصد معنادار بوده است.
نتیجه گیری
با توجه به نتایج آزمون های تحقیق می توان نتیجه گیری کرد که مدل پیشنهادی در یک، دو و سه سال پیش از وقوع درماندگی مالی، به طور معناداری از عملکرد بهتری در پیش بینی درماندگی نسبت به روش رگرسیون لجستیک و مدل آلتمن برخوردار است.کلید واژگان: انتخاب ویژگی, تصمیم گیری چندمعیاره, تودیم, درماندگی مالی, دیمتل}