CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

انتخاب ویژگی به روش آزمون T در پیش بینی شاخص سهام در بورس اوراق بهادار تهران

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۳۰۶ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: ICMBA01_080
زبان مقاله: فارسی
حجم فایل: ۴۷۵.۵۳ کیلوبایت (فایل این مقاله در ۱۴ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۴ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله انتخاب ویژگی به روش آزمون T در پیش بینی شاخص سهام در بورس اوراق بهادار تهران

  مهدی خرم - کارشناس ارشد مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
  آرین دخت شاه میرزا - کارشناس مهندسی برق کنترل، دانشکده برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران
  امین کریمی علویجه - کارشناس ارشد مدیریت مالی، دانشکده مدیریت، دانشگاه علامه طباطبایی، تهران، ایران

چکیده مقاله:

پیش بینی سری های زمانی از دیرباز یکی از موضوعات داغ و چالش برانگیز درعلم اقتصاد بوده است و با پیشرفت روزافزون علم، این حوزه نیز دستخوش تغییرات بسیاری قرار گرفته است. کما اینکه امروزه در پیش بینی سری های زمانی روش های آماری جای خود به روش های هوش مصنوعی داده اند. پیش بینی قیمت سهام نیز همواره خاستگاه بازیگران بازار بوده است و سرمایه گذاران به دنبال این بوده اند که با پیش بینی دقیق تر قیمت سهام سود بیشتری کسب نمایند. استفاده از الگوریتم های هوش مصنوعی در پیش بینی قیمت سهام با توجه به عملکرد برتر آنها نسبت به مدل های آماری رواج بسیاری یافته است، اما بسیاری از محققان بر این باورند که برای افزایش دقت پیش بینی در مدل های هوش مصنوعی، حذف متغیرهای بی ربط از مدل اجتناب ناپذیر است. فرآیند انتخاب یک زیرمجموعه مناسب از متغیرها و حذف متغیرهای بی ربط را انتخاب ویژگی می نامند. در این مطالعه به دنبال آن هستیم تا با استفاده از یکی از روش های برتر انتخاب ویژگی که آزمون T نام دارد، بتوانیم تا حد زیادی عملکرد مدل های هوش مصنوعی را بهبود ببخشیم. بدین منظور شاخص روزانه کل قیمت سهام و شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران را طی یک دوره 6 ساله از ابتدای سال 1388 تا ابتدای سال 1394 را مدنظر قرار دادیم، که نماگرهای تکنیکال مربوط به شاخص به عنوان متغیرهای ورودی مدل و جهت حرکت شاخص به عنوان متغیرخروجی مدل تعیین شده است. نتایج این پژوهش نشان می دهد که مدل های هوش مصنوعی هنگام استفاده از الگوریتم انتخاب ویژگی T ، نسبت مدل های ساده بدون انتخاب ویژگی عملکرد بهتری دارند.

کلیدواژه‌ها:

شاخص بورس، نماگرهای تکنیکال، انتخاب ویژگی، آزمون T ، طبقه بندی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICMBA01-ICMBA01_080.html
کد COI مقاله: ICMBA01_080

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خرم, مهدی؛ آرین دخت شاه میرزا و امین کریمی علویجه، ۱۳۹۴، انتخاب ویژگی به روش آزمون T در پیش بینی شاخص سهام در بورس اوراق بهادار تهران، کنگره بین المللی مدیریت، اقتصاد و توسعه کسب و کار، تبریز، دبیرخانه دائمی کنگره، https://www.civilica.com/Paper-ICMBA01-ICMBA01_080.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (خرم, مهدی؛ آرین دخت شاه میرزا و امین کریمی علویجه، ۱۳۹۴)
برای بار دوم به بعد: (خرم؛ شاه میرزا و کریمی علویجه، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Jones Ch P. Investment Principles and concepts (11th ed.) John ...
  • عبده تبریزی، ه.، جوهری، ح. بررسی کارآمدی شاخص بورس اوراق ...
  • Wang J Z, Wang J J, Zhang Z G, Guo ...
  • Hajek P, Michalak K. Feature selection in corporate credit rating ...
  • Kannan S S, Ramaraj N. A novel hybrid feature selection ...
  • Gheyas I A, Smith L S. Feature subset selection in ...
  • Tsai C F. Feature selection in bankruptcy prediction. Kno wledge-Based ...
  • بهرادمهر، ن. پیش بینی قیمت نفت خام با استفاده از ...
  • Lubic H. Initial public offering prediction using neural network, Doctoral ...
  • منهاج، م ب. مبانی شبکه‌های عصبی (هوش محاسباتی)، انتشارات دانشگاه ...
  • Wang Z. Prediction of stock market prices using neural network ...
  • Haung Ch J, Yand D X, Chuang Y T. Application ...
  • صادقی، آ. پیش بینی شاخص قیمت سهام در بورس اوراق ...
  • راعی، ر، فلاح‌پور، س. کاربرد ماشین بردار پشتیبان در پیش ...
  • فرشاد، م، ساده، ج. مکان‌یابی خطای اتصال کوتاه در خطوط ...
  • نوری، س، نوری جلیانی ک، محمد ک، نیکنام م ح، ... (مقاله ژورنالی)
  • Ballings M, Van den Poel D, Hespeels N, Gryp R. ...
  • Pagano R. Understanding Statistics in the Behavioral Sciences (10th ed.). ...
  • Theodoridis S, Koutroumbas K. Pattern Recognition (4th ed.). Elsevier Inc; ...
  • راعی، ر، چاوشی، ک، پیش بینی بازده سهام در بورس ...
  • Huang W, Nakamori Y, Wang S Y. Forecasting stock market ...
  • Zhang Z Y, Shi Ch, Zhang S L, Shi Z ...
  • Ince H, Trafalis T B. Kernel principal component analysis and ...
  • Yeh Ch Ch, Lin F, Hsu Ch Y. A hybrid ...
  • Breiman, L. Random Forests. Machine Learning; 45(1): 5-32, 2001. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۵۴۸۶۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.