عنوان پایان‌نامه
بقه بندی سهام با استفاده از ماشین بردار پشتیبان ( SVM) دربورس اوراق بهادار تهران
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68889
- تاریخ دفاع
- ۲۵ خرداد ۱۳۹۴
- دانشجو
- حسین پیرایش شیرازی نژاد
- استاد راهنما
- سعید فلاح پور
- چکیده
- پیش‌بینی بازدهی سهام از مهم‌ترین مسائل سرمایه‌گذاری در اوراق بهادار است از طرفی، با توجه به اینکه بازار سهام، سیستمی غیر خطی و آشوب گونه که تحت تأثیر شرایط سیاسی، اقتصادی و غیره هست لذا پیش‌بینیبازدهی نیازمند ابزارهای هوشمند و پیشرفته‌ای همچون ماشین‌های یادگیرنده است. در این تحقیق هدف اصلی تفکیک سهام به دو گروه پربازده و کم بازده است که بدین منظور از ماشین بردار پشتیبان و تحلیل ممیز قطری درجه دوم استفاده می‌کنیم. برای گزینش بهترین متغیرها جهت پیش‌بینی گروه بازدهی از روش انتخاب ویژگی متوالی استفاده شده است. برای هر مدل با و بدون استفاده از انتخاب ویژگی در حالتی که وزن سهم‌ها برابر است بر اساس پیش‌بینی گروه بازدهی هر سهم پورتفولیو تشکیل دادیم همچنین برای مدل تحلیل ممیز با انتخاب ویژگی از احتمال پسین جهت وزن دهی استفاده و با پورتفولیو معیار مقایسه کردیم که نتایج دلالت بر وجود تفاوت معنادار بین بازدهی دو پورتفولیو و برتری پورتفولیو مدل تحلیل ممیز دارد. همچنین بازدهی همه پورتفولیوها را بینسال‌های 8813-9113 محاسبه کردیم که نتایج رضایت بخش بوده و همه پورتفولیوهای تشکیل شده بازدهی بیشتر از بازدهی پورتفولیو معیار داشتند. نتایج بررسی دقت دو مدل با استفاده از آزمون مقایسه زوجی tنشان دهنده عدم وجود تفاوت معنادار بین دو مدل است.
- Abstract
- Stock return forecasting is one of the most important question for investing in Stock markets. Because of the effects of policy, economic, etc., we need moderns and intelligent models to forecast the returns. The main idea in this research is classifying the stocks into high and low return groups, for this purpose support vector machine (SVM) was used. To elect the best variables for models we used sequential feature selection and in order to evaluate the accuracy of SVM we do the same forecasting with diagonal quadratic discriminant analysis (DQDA). By usingpaired t-test, we conclude that models have no significant difference. Equal weighted portfolios were created for each models with and without feature selection also, we used posterior probability to weight the portfolio of DQDA with feature selection. The returns were calculated for each portfolio during the years 1388-1391. The simulating results are satisfying and all portfolios’ returns are better than market portfolio.
