سمیه محبی - دانشجوی دکتری رشته مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی تهران، ایران.
محمد اسماعیل فدایی نژاد - دانشیار گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی تهران، ایران.
محمد اصولیان - استادیار گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.

    بازارهای سهام نقش مهمی در سازماندهی سیستم­های اقتصادی مدرن دارند. پژوهش­های گسترده­ ای در زمینه پیش ­بینی آن­ها با استفاده از تکنیک­های هوشمند انجام شده است. با توجه به این­که دقت عملکرد این تکنیک­ها به میزان قابل توجهی تحت تاثیر ویژگی­های ورودی آن است، یکی از پیشرفت­های به­ کار رفته در استفاده از مدل­های هوشمند، علاوه­ بر کاربرد مدل­های ترکیبی، استفاده از کاهش ابعاد به ­عنوان یک پیش ­مرحله برای مدل پیش­بینی می­باشد. در این پژوهش برای پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران همزمان از دو روش کاهش ابعاد (انتخاب و استخراج) به منظور انتخاب ویژگی­های مناسب به­ عنوان ورودی­های مدل استفاده می­شود. به­طوری­که برای انتخاب ویژگی­ها از الگوریتم mRMR-MID و برای استخراج ویژگی­ها از الگوریتم PCA استفاده می­شود. سپس از رگرسیون بردار پشتیبان به ­عنوان مدل پیش­بینی استفاده می­شود. با توجه به نتایج بدست آمده از تحلیل استفاده از تکنیک­های کاهش ابعاد در مدل­ پیش­بینی، در نهایت الگوریتمی برای انتخاب ویژگی­های مناسب بر شاخص، تحت عنوانISF­_MID پیشنهاد می­شود. نتایج نشان می­دهد که با روش­ پیشنهادی، می­توان با ۷ ویژگی انتخابی به­ دقت بالایی در پیش­بینی روزانه شاخص کل بورس اوراق بهادار تهران با درصد خطا ۴۶/۳ دست­یافت. لازم به ذکر است مدل­های 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 مدل­های مذکور استفاده می­شود.

پیش بینی شاخص بورس, رگرسیون بردار پشتیبان, تکنیک کاهش ابعاد, انتخاب ویژگی, تجزیه و تحلیل مولفه های اصلی