مهسا اله دادی
پیش بینی نوسانات شاخص کل بورس اوراق بهادار تهران با استفاده از مدل یادگیری ماشین پشته ای
- دانشجو
- مهسا اله دادی
- استاد راهنما
- مسلم پیمانی فروشانی
- استاد مشاور
- میثم امیری
- استاد داور
- مصطفی سرگلزایی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- مدیریت و حسابداری
- شماره ساختمان محل ارائه
- ۴۵
- نام کلاس محل ارائه
- کلاس ۳۱۱[۲۴۳۱۱]
- شماره کلاس محل ارائه
- ۴۱۱
- تاریخ دفاع
- ۳۱ شهریور ۱۴۰۳
- ساعت دفاع
- ۱۲:۰۰
- چکیده
-
این تحقیق به بررسی عملکرد مدل‌های یادگیری ماشین منفرد و پشته‌ای در پیش‌بینی نوسانات تحقق‌یافته (RV) و نوسانات مطلق (ABSVol) در شاخص کل بورس اوراق بهادار تهران می‌پردازد. این مطالعه مدل‌های شبکه عصبی مصنوعی (ANN)، رگرسیون بردار پشتیبان (SVR)، حافظه طولانی کوتاه مدت (LSTM) و جنگل تصادفی (RF) را هم به‌عنوان پیش‌بینی‌کننده‌های مستقل و هم در پیکربندی‌های پشته‌ای بررسی می‌کند. معیارهای عملکردی مانند میانگین خطای مطلق (MAE)، میانگین مربعات خطا (MSE)، ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین متقارن درصد مطلق خطا (SMAPE) برای ارزیابی دقت استفاده شد. یافته‌ها نشان می‌دهد که مدل‌های پشته‌ای در برخی موارد از مدل‌های منفرد بهتر عمل می‌کنند؛ به خصوص، عملکرد ANN پشته‌ای در نتایج به دست آمده با استفاده از روش پویا در آزمون ناپارامتریک نشان دهنده بهبود عملکرد آن در اکثر بازه‌های زمانی به کار برده شده در این روش می‌باشد. از آنجا که نتایج به دست آمده از معیارهای خطای مورد استفاده در مدل‌های منفرد و پشته‌ای SVR ، اعداد تقریباً شبیه به هم را نشان می‌دهند، عملکرد ثابت در این ۲ مدل بیانگر ثبات ذاتی آن می‌باشد. پس از بررسی عملکرد مدل های به کار گرفته شده در بازه‌های زمانی مختلف، مشخص شده است که LSTM پشته‌ای وابستگی‌های زمانی را به‌طور مؤثرتری نسبت به مدل‌های منفرد دریافت کردند، در حالی که RF پشته‌ای نسبت به مدل‌های منفرد RF پیشرفت قابل‌توجهی نشان ندادند. این نتایج مزایای ظریف تکنیک‌های پشته‌ای، به‌ویژه برای شبکه‌های عصبی را برجسته می‌کند و بر اهمیت انتخاب مدل بر اساس ویژگی‌های داده خاص و الزامات کاربردی تأکید می‌کند. این تحقیق مفاهیم عملی، از جمله تنظیم مدل و کارایی محاسباتی را مورد بحث قرار می‌دهد و جهت‌های تحقیقاتی آینده را برای افزایش دقت و قابلیت اطمینان پیش‌بینی مالی شناسایی می‌کند.
کلمات کلیدی: مدل‌سازی نوسان، یادگیری ماشین پشته‌ای، پیش‌بینی نوسان