عنوان پایان‌نامه
استفاده از ماشین بردار پشتیان با استفاده از وزن دهی حجمی و انتخاب ویزگی به منظور ارائه استراتژی معاملاتی
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 82057;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 82057
- تاریخ دفاع
- ۱۴ شهریور ۱۳۹۵
- دانشجو
- ناهید دانای گوش
- استاد راهنما
- سعید باجلان
- چکیده
- در این پژوهش یک مدل پیش بینی براساس روش ماشین بردار پشتیبان تعدیل شده با استفاده از وزن دارکردن تابع جریمه ی مدل با توجه به حجم معاملات واقعی روزانه به منظور افزایش دقت پیش بینی نوسانات کوتاه مدت در بازار سهام و دست یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه بندی کننده ی ماشین بردار پشتیبان تعدیل شده، از یک روش انتخاب ویژگی هیبرید، مرکب از یک بخش فیلتر کننده و یک بخش پوشش دهنده به منظور انتخاب زیرمجموعه ای بهینه، از ویژگی ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش بینی روند قیمت، یک استراتژی معاملاتی، برپایه ی نتایج مدل ارائه می شود. ورودی مدل چندین شاخص تحلیل تکنیکال و شاخص های آماری متعددی هستند که برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده اند. نتایج نشان می دهد که مدل ماشین بردار پشتیبان وزن دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، دقت پیش بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی های رقیب، هم از لحاظ میزان بازده کلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه گذاری بهبود می دهد.
- Abstract
- In this study we focus on developing a prediction model based on support vector machines (SVM) improved by introducing a volume weighted penalty function to the model to increase the accuracy of forecasting short term trends on the stock market to develop the optimal trading strategy. In conjunction with VW-SVM classifier we use a hybrid feature selection method, consist of F-score as the filter part and supported Sequential forward selection as the wrapper part, to select the optimal feature subset. In order to verify the capability of proposed model in successfully predicting short term trends, we develop a trading strategy. As the model input, we use several technical indicators and statistical measures, calculated for 10 stocks. The results show that the VW-SVM, combined with the hybrid feature selection method, significantly increases the profitability of the proposed strategy compared to rival strategies, in terms of both overall rate of return and the maximum draw down during trading period.
