پیشبینی شاخص کل بورس اوراق بهادار تهران با استفاده از تقویت گرادیان طبیعی و مقادیر SHAP | ||
| چشم انداز مدیریت مالی | ||
| مقاله 2، دوره 15، شماره 2 - شماره پیاپی 50، 1404، صفحه 34-53 اصل مقاله (1.09 M) | ||
| نوع مقاله: علمی - پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/jfmp.2025.239954.1498 | ||
| نویسندگان | ||
| مجید قدس* 1؛ میثم امیری2؛ مسلم پیمانی فروشانی3؛ محمد علی دهقان دهنوی4 | ||
| 1دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 2گروه مالی و بانکداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 3دانشیار گروه مالی و بانکداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 4استادیار گروه مالی و بانکداری، دانشگاه علامه طباطبایی، تهران، ایران. | ||
| چکیده | ||
| هدف: بازار سهام یکی از کلیدیترین عناصر اقتصادهای در حال توسعه است. به همین جهت مطالعات گستردهای با استفاده از تحلیلهای تکنیکال و بنیادی، به پیشبینی سریهای زمانی مالی پرداختهاند تا بتوانند به سرمایهگذاران در معاملاتشان یاری رسانند. در همین راستا مدلهای یادگیری ماشین توانستهاند به عنوان ابزاری کارآمد برای مسائل گوناگون، نقش آفرینی کنند. اما علیرغم عملکرد قابل توجه مدلهای یادگیری ماشین در این حوزه، دو ایراد مهم به آنها وارد است. مسئله اول تفسیرناپذیری نتایج است که در این مدلها نحوه تبدیل ورودیها به خروجیها و یا سهم هر یک از ورودیها در شکل دادن به خروجی مدل مشخص نمیباشد. دوم، قابل اتکا بودن نتایج حاصل از پیشبینی این مدلهاست که به طور مستقیم از مدل قابل استخراج نمیباشد. به همین جهت در این پژوهش از جدیدترین روشهای ارائه شده در حوزه یادگیری ماشین برای پاسخ گویی به این دو مسئله استفاده شده است. روش: با توجه به اینکه در این مدلها انتخاب ویژگیهای ورودی از اهمیت بسیار زیادی در شکلدهی خروجی مدل برخوردار است، در این پژوهش با روشی نظاممند، از طریق مرور سیستماتیک ویژگیهای به کارگرفته شده در پژوهشهای مرتبط در پنج سال اخیر استخراج شده و نهایتاً 34 ویژگی که دادههای آنها به شکل روزانه موجود میباشند به عنوان ورودی مدل انتخاب شدهاند. در گام بعد، از مدل تقویت گرادیان طبیعی برای پیشبینی دادههای شاخص کل بورس اوراق بهادار تهران از ابتدای سال 1389 تا سال 1403 استفاده شده است. عملکرد این مدل با استفاده از معیارهای RMSE، MAE و MAPE سنجیده شده و با جدیدترین روشهای یادگیری ماشین برای پیشبینی سریهای زمانی مقایسه شده است. در ادامه از مقادیر SHAP برای تفسیر نتایج مدل تقویت گرادیان طبیعی استفاده شده است و سهم هر یک از ویژگیها در تخمین خروجی مدل ارزیابی شده است. مقادیر SHAP ابزاری قدرتمند برای سنجش اثرگذاری هر یک از ویژگیهای ورودی بر تخمین خروجی فراهم میآورد که اطلاعات ارزشمندی را در اختیار کاربران مدلهای یادگیری ماشین قرار میدهد. یافتهها: مقایسه مقادیر خطای مدل ارائه شده با سایر مدلهای یادگیری ماشین، نشان از عملکرد بهتر این مدل در پیشبینی دارد. این مدل، برخلاف سایر مدلهای یادگیری ماشین که یک پیشبینی به عنوان بهترین حدس را به عنوان خروجی ارائه میدهند، یک توزیع احتمال که بر اساس پارامترهای آن قابل توصیف است ارائه میدهد. شکل توزیع پارامتریک در نظر گرفته شده در این پژوهش تابع توزیع نرمال است که با پارامترهای میانگین و انحراف معیار قابل توصیف میباشد. در واقع مقدار پیشبینی شده، همان میانگین توزیع تخمین زده شده میباشد. برای پیشبینی شاخص بورس اوراق بهادار تهران، اثرگذارترین ویژگیها قیمت پایانی، اندیکاتور EMA و اندیکاتور SMA هستند. تفسیر پارامتر انحراف معیار پیشبینی انجام شده، نشان میدهد که بیشترین اثرگذاری در این پارامتر را اندیکاتور ATR، قیمت پایانی و TEMA دارند که هر چقدر مقدار نسبی این متغیرها بیشتر باشد، انحراف معیار توزیع تخمینی بیشتر بوده و بنابراین پیشبینی انجام شده قابلیت اتکای کمتری خواهد داشت. نتیجهگیری: مدل تقویت گرادیان طبیعی میتواند بهعنوان ابزاری مؤثر در پیشبینی شاخص کل بورس اوراق بهادار تهران مورد استفاده قرار گیرد. تفسیر نتایج با استفاده از مقادیر SHAP، امکان شناسایی مهمترین ویژگیهای ورودی و همچنین نحوه تشکیل خروجی از ویژگیهای ورودی را فراهم کرده و به بهینهسازی مدل کمک مینماید. این رویکرد نهتنها دقت پیشبینی را بهبود میبخشد، بلکه به فعالان بازار سرمایه و سیاستگذاران کمک میکند تا تصمیمگیریهای آگاهانهتری در مدیریت ریسک و تخصیص منابع داشته باشند. در نهایت، مقایسه با سایر مدلها نشان میدهد که این روش میتواند بهعنوان یک راهکار عملی و قابل اعتماد در تحلیل بازارهای مالی به کار گرفته شود. | ||
| کلیدواژهها | ||
| پیشبینی قیمت؛ گرادیان تقرب یافته طبیعی؛ مقادیر SHAP؛ بورس اوراق بهادار تهران | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,873 تعداد دریافت فایل اصل مقاله: 731 |
||