آمار
| تعداد نشریات | 18 |
| تعداد شماره‌ها | 433 |
| تعداد مقالات | 2,983 |
| تعداد مشاهده مقاله | 2,132,621 |
| تعداد دریافت فایل اصل مقاله | 1,858,713 |
هوش مصنوعی و الگوریتم‌های مختلف یادگیری ماشین در ارزیابی عملکرد مالی شرکت-های سرمایه‌گذاری بورسی: با تأکید بر گروه سرمایه گذاری غدیر | ||
| فصلنامه اقتصاد دفاع و توسعه پایدار | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jdesd.2025.9833.1338 | ||
| نویسندگان | ||
| حسین شیرانی* 1؛ سجاد میرزائی2 | ||
| 1دکترا، گروه شیمی، آزمایشگاه تحقیقاتی شبیه سازی مولکولی، دانشگاه علم وصنعت، تهران، ایران. | ||
| 2کارشناسی ارشد، گروه مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. | ||
| چکیده | ||
| پژوهش حاضر به دنبال پاسخ به این سوال می باشد که چه ترکیبی از الگوریتم‌های یادگیری ماشین، روش‌های انتخاب ویژگی و تکنیک‌های گروهی، قوی‌ترین پیش‌بینی عملکرد شرکت ها را در بورس اوراق بهادار تهران ارائه می‌کند؟ در این مسیر تمامی شرکت‌های پذیرفته‌شده در بورس تهران طی سال‌های 1389 تا 1402 به عنوان جامعه آماری در نظر گرفته شدند و برای انتخاب نمونه، از روش حذف سیستماتیک استفاده شد که در نهایت، 171 شرکت به عنوان نمونه نهایی انتخاب گردید. داده‌های گردآوری‌شده با استفاده از نرم‌افزار یادگیری ماشین رپیدماینر و نرم‌افزار اقتصادسنجی ایویوز مورد تجزیه‌وتحلیل قرار گرفته شد. نتایج تحلیل مقایسه‌ای مدل‌های مختلف یادگیری ماشین نشان داد که ماشین‌های بردار پشتیبان، جنگل تصادفی و شبکه‌های عصبی عموماً از سایر الگوریتم‌ها در وظایف پیش‌بینی مالی بهتر عمل می‌کنند. عملکرد رقابتی مدل‌های ساده‌تر مانند رگرسیون لجستیک در سناریوهای خاص، ارزش تفسیرپذیری مدل و خطر پیچیدگی غیرضروری را به ما یادآوری کرد، بنابراین یک رویکرد متعادل با در نظر گرفتن عملکرد مدل و تفسیرپذیری، در وظایف پیش‌بینی مالی بسیار ضروری به نظر میرسد. مطالعه ما نشان داد که تکنیک‌های کاهش ابعاد مانند تجزیه و تحلیل مؤلفه اصلی و نقشه‌های خودسازمان دهنده در این زمینه مفید نیستند و اغلب منجر به کاهش عملکرد می‌شوند. این یافته مهم نسبت به کاربرد بیرویه چنین تکنیک‌هایی هشدار می‌دهد و بر نیاز به در نظر گرفتن دقیق ماهیت داده‌ها و وظیفه پیش‌بینی خاص تاکید می‌کند. استفاده از روش‌های گروهی، به‌ویژه بگینگ، عملکرد مدل‌های قوی را بیشتر افزایش داد، بنابراین ترکیب چندین مدل یا نسخه از یک مدل می‌تواند به پیش‌بینی‌های قوی‌تر در محیط پرنوسان بازار سهام منجر شود. شاید مهمترین نکته این باشد که بهترین مدل‌های پژوهش تعمیم بسیار خوبی به پرتفوی خاص مانند هلدینگ سرمایه گذاری غدیر داشتند. این نشان‌دهنده کاربرد عملی روش پژوهش حاضر است و نشان می‌دهد که مدل‌های آموزش داده شده بر روی داده‌های گسترده‌تر بازار می‌توانند بینش‌های ارزشمندی برای پرتفوی‌های سرمایه‌گذاری خاص ارائه دهند. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ یادگیری ماشین؛ یادگیری گروهی؛ مهندسی ویژگی؛ پیش‌بینی عملکرد | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||