استراتژی سرمایه گذاری در بورس با استفاده از مدل رگرسیون بردار پشتیبانی اصلاح شده

پیش بینی شاخص های سهام در سالهای اخیر به یک موضوع تحقیقاتی محبوب تبدیل شده است. اگرچه بسیاری از مدل های سری زمانی آماری در پیش بینی شاخص های سهام اعمال شده است ، اما آنها به فرضیات خاصی محدود می شوند. بر این اساس ، مدل های سنتی سریال آماری ممکن است برای پیش بینی داده های شاخص های سهام واقعی مناسب نباشد. از این رو ، این مقاله یک مدل پیش بینی جدید برای کمک به سرمایه گذاران در تعیین استراتژی برای سرمایه گذاری در بازار سهام ارائه می دهد. مدل پیشنهادی مدل رگرسیون بردار پشتیبانی اصلاح شده نامیده می شود ، که از روش ضریب همبستگی ، الگوریتم پنجره کشویی و مدل رگرسیون بردار پشتیبانی تشکیل شده است. نتایج نشان می دهد که دقت پیش بینی مدل پیشنهادی از نظر میانگین و انحراف استاندارد از خطای میانگین مربع ریشه (RMSE) و میانگین خطای درصد مطلق (MAPE) از مدلهای موجود پایدار است. بر این اساس ، از مدل پیشنهادی برای کمک به سرمایه گذاران در تعیین استراتژی برای سرمایه گذاری در سهام استفاده می شود.

کلید واژه ها

• ضریب همبستگی
• از مدل رگرسیون بردار پشتیبانی کنید
• مدل ترکیبی
• پیش بینی داده های سری زمانی
• شاخص های سهام

موضوعات اصلی

منابع

منابع 1. Donate ، J. P. ، Sanchez ، G. G. ، and De Miguel ، A. S. پیش بینی سری زمانی. یک مطالعه تطبیقی بین یک سیستم شبکه های عصبی در حال تحول و روشهای آماری "، Int. J. Artif. Intell. Tools ، 21 (01) ، 1250010 (2012). 2. Tseng ، C.-H. ، Cheng ، S.-t. ، Wang ، Y.-H. ، and Peng ، J.-T. Arti Cial Network Network از نوسانات ترکیبی Egarch از قیمت گزینه شاخص سهام تایوان "، Physica A ، 387 (13) ، صص. 3192-3200 (2008). 3. یو ، H.-K. مدل های سری زمانی فازی وزنی برای پیش بینی Taiex "، Physica A ، 349 (3-4) ، صص 609-624 (2005). 4. Cheng ، C.-H. ، Chen ، T.-L. ، Teoh ،H. J. ، و Chiang ، C.- H. سری زمانی فازی بر اساس مدل انتظار تطبیقی برای پیش بینی Taiex "، Syst Expert. Appl. ، 34 (2) ، صص 1126-1132 (2008). 5. Leu ، Y. ، Lee ، C.-P. ، and Jou ، Y.-Z. یک مدل سری زمانی فازی مبتنی بر فاصله برای پیش بینی نرخ ارز "، کارشناس Syst. Appl. ، 36 (4) ، صص 8107-8114 (2009). 6. Lee ، C.-P. ، Lin ، W.-ج. ، و یانگ ، C.-C. استراتژی برای پیش بینی قیمت گزینه با استفاده از سری زمانی فازی و حداقل رگرسیون بردار پشتیبانی مربع با یک مدل bootstrap "، Sci. ایران. ، 21 (3) ، صص 815-825 (2014). 7. Leu ، Y. ، Lee ، C.-P. ، and Hung ، C.-C. یک رویکرد شبکه عصبی مبتنی بر سری فازی به پیش بینی قیمت گزینه "، در سیستم های اطلاعاتی و پایگاه داده هوشمند ، N. Nguyen ، M. Le and J. Swi Atek ، صص 360- 369 ، Springer Berlin Heidelberg (2010). J. Econ. پیش بینی ، 2014 (2) ، صص 115-129 (2014). 9. Lee ، L.-W. ، Wang ، L.-H. ، Chen ، S.-M. ، and Leu ، Y.-H. رسیدگی به مشکلات پیش بینی بر اساس سری زمانی فازی با مرتبه بالا "، IEEE Trans. Fuzzy Syst. ، 14 (3) ، صص 468-477 (2006). 10. Chen ، S.-M. پیش بینی ثبت نام های پیش بینی کنندهبر اساس سری زمانی فازی Highrand "، Cybe. Syst. ، 33 (1) ، صص 1-16 (2002). 11. Liang ، X. ، Zhang ، H. ، and Li ، X. روشی ساده برای پیش بینی قیمت های گزینه بر اساس شبکه های عصبی "، در اطلاعات کاربردی نسل بعدی ، B.-C. Chien ، T.- P. Hong ، S.-M. Chen ، and M. Ali ، صص 586-593 ، Springer Berlin Heidelberg (2009). 12. Huang ، C.-F. یک مدل انتخاب سهام ترکیبی با استفاده از الگوریتم های ژنتیکی و رگرسیون بردار پشتیبانی "، کاربردنرمرایانه. ، 12 (2) ، صص 807-818 (2012). 13. وانگ ، Y.-H. مدل پیش بینی شبکه عصبی غیرخطی برای شاخص سهام قیمت گزینه: رویکرد GJRGARCH HYBRID "، Syst Expert. Appl. ، 36 (1) ، صص 564- 570 (2009). 1640 C.-H. Huang et al.