این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۴، شماره ۲، صفحات ۴۵-۵۹
عنوان فارسی استفاده از روش‌های یادگیری ماشین جهت پیش بینی بازده سهام با در نظر گرفتن تاثیر تغییر دامنه نوسان قیمت
چکیده فارسی مقاله این پژوهش به بررسی پیش‌بینی قیمت سهام در فرابورس ایران با بهره‌گیری از روش‌های یادگیری ماشین، شامل جنگل تصادفی و رگرسیون بردار پشتیبان، می‌پردازد. هدف مطالعه، پیش‌بینی دقیق‌تر قیمت سهام و تحلیل تأثیر تغییرات دامنه نوسان قیمت بر عملکرد مدل‌هاست. برای این منظور، داده‌های چهار نماد منتخب از سهام‌های صنعتی بازار پایه اول فرابورس ایران در دو بازه زمانی سال‌های 1394 تا 1399 (جهت ارزیابی دقت مدل‌ها در شرایط بدون تغییر دامنه) و سال‌های 1400 تا 1402 (جهت بررسی اثر تغییر دامنه نوسان) گردآوری شده‌اند. متغیرهای ورودی شامل قیمت باز، میانگین متحرک ساده و شاخص قدرت نسبی و متغیر خروجی، قیمت بسته بوده است. داده‌ها پس از اعمال روش‌های پیش‌پردازش و نرمال‌سازی، با استفاده از الگوریتم‌های یادشده آموزش داده شدند. عملکرد مدل‌ها با معیارهایی چون میانگین مربعات خطا، جذر آن، میانگین قدر مطلق خطا، میانگین درصد خطای مطلق و ضریب تعیین ارزیابی شد. در بازه اول، مدل جنگل تصادفی با میانگین مربعات خطای 162,217.18، میانگین قدر مطلق خطای 156.01 و ضریب تعیین 1، عملکرد بهتری نسبت به مدل رگرسیون بردار پشتیبان با خطای 355,674,554.14 و ضریب تعیین 0.62 داشت. در بازه دوم، اگرچه میزان خطا در هر دو مدل افزایش یافت، جنگل تصادفی همچنان برتری خود را حفظ کرد (خطای 901,875.77 و میانگین درصد خطای 1.98٪) در مقابل رگرسیون بردار پشتیبان (با خطای 82,930,332.00 و درصد خطای 16.60٪). کاهش اندک ضریب تعیین مدل جنگل تصادفی از 1 به 0.99 نیز مشاهده شد. نتایج نشان می‌دهد جنگل تصادفی در هر دو دوره عملکرد بهتری دارد و تغییر دامنه نوسان قیمت موجب کاهش دقت پیش‌بینی در هر دو مدل شده است. در مجموع، روش‌های یادگیری ماشین می‌توانند ابزاری کارآمد برای تحلیل بازار سرمایه، کاهش ریسک و بهینه‌سازی تصمیم‌گیری سرمایه‌گذاران باشند.
کلیدواژه‌های فارسی مقاله بازده سهام،یادگیری ماشین،دامنه نوسان قیمت،رگرسیون بردار پشتیبان،جنگل تصادفی،
عنوان انگلیسی Using Machine Learning Methods to Predict Stock Returns Considering the Impact of Price Fluctuation Range Changes
چکیده انگلیسی مقاله This study investigates stock price prediction in the Iran Farabourse using machine learning methods, specifically Random Forest and Support Vector Regression. The primary objective is to improve prediction accuracy and examine the effect of changes in the price fluctuation range on model performance. To this end, data from four selected industrial stocks listed on the first tier of the Iran Farabourse were collected over two distinct time periods: 2015–2019 (for model evaluation under a stable fluctuation regime) and 2020–2022 (to assess the impact of fluctuation range changes). The input features include open price, Simple Moving Average (SMA), and Relative Strength Index (RSI), while the output is the closing price. After preprocessing and normalization, models were trained using the specified algorithms. The models’ performance was evaluated using standard metrics, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²). In the first period, the Random Forest model demonstrated superior performance with an MSE of 162,217.18, MAE of 156.01, and R² of 1.00, compared to the Support Vector Regression model with an MSE of 355,674,554.14 and R² of 0.62. In the second period, although prediction errors increased in both models, Random Forest maintained better performance (MSE: 901,875.77; MAPE: 1.98%) than Support Vector Regression (MSE: 82,930,332.00; MAPE: 16.60%). A slight decrease in the R² value of Random Forest from 1.00 to 0.99 was also observed. These findings indicate that Random Forest consistently outperforms Support Vector Regression in both time frames and that changes in the price fluctuation range negatively affect prediction accuracy in both models. Overall, machine learning approaches can serve as effective tools for analyzing capital market dynamics, reducing investment risk, and supporting investors in making more informed financial decisions.
کلیدواژه‌های انگلیسی مقاله بازده سهام,یادگیری ماشین,دامنه نوسان قیمت,رگرسیون بردار پشتیبان,جنگل تصادفی
نویسندگان مقاله فاطمه حسینی |
گروه مهندسی صنایع، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران.

نرگس نوروزی |
گروه مهندسی صنایع، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران.

نشانی اینترنتی https://jscit.nit.ac.ir/article_225498_6c9dc47218b0de6a59c2b970b1b858e2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات