پیش بینی شاخص کل بازار سهام ایران با تاکید بر متغیرهای پولی: رویکرد یادگیری ماشین

بازار سهام به عنوان یکی از اجزای حیاتی بازار سرمایه، بخش مهمی از اقتصاد کشور است که می تواند جریان سرمایه را مدیریت و تخصیص سرمایه را بهینه کرده و از این طریق به رشد و توسعه اقتصادی کمک کند. پیش بینی هرچه دقیق تر روند بازار سهام می تواند با کاهش ریسک، به تصمیم گیری سرمایه گذاران برای کسب بازده بیشتر کمک کند. به طور کلی بازار سهام همواره در حال تغییر است و عوامل زیادی بر روند حرکت این بازار اثر می گذارند لذا پیش بینی الگوهای حرکتی در بازا سهام نیازمند داشتن اطلاعات کافی از گذشته بازار و عوامل اثرگذار بر آن می باشد. این مقاله ضمن پیش بینی شاخص کل بازار سهام ایران، به دنبال تفسیر مدل و مشخص کردن اثرگذارترین متغیر اقتصادی بر پیش بینی شاخص کل می باشد. برای این منظور از داده های روزانه بازار سهام و متغیرهای کلان اقتصادی طی دوره ۱۳۹۴-۱۴۰۱ استفاده شده است. همچنین از مدل های یادگیری ماشین برای پیش بینی و از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اقتصادی در مدل پیش بینی استفاده شده است. براساس نتایج بدست آمده از میان روش های گروهی مبتنی بر درخت، مدل پیشنهادی این مطالعه یعنی ExtraTrees بهترین عملکرد را بر اساس معیارهای خطا در پیش بینی دارد. درمورد مبحث اهمیت ویژگی نیز بر اساس مدل ExtraTrees، به ترتیب دلار نیمایی، نرخ بیکاری، دلار بازار آزاد و نقدینگی با اهمیت ترین متغیرهای اقتصادی اثرگذار بر مدل پیش بینی می باشند. همچنین براساس سایر مدل های استفاده شده در پژوهش، نقدینگی موثرترین متغیر بر روند شاخص سهام می باشد. در نهایت می توان گفت که موثرترین متغیر های پولی بر شاخص بازار سهام در ایران متغیرهای نقدینگی و نرخ ارز می باشند لذا سیاست گذاران پولی و سرمایه گذاران بازار سهام در تصمیم گیری های خود باید به تغییرات این متغیرها حساسیت بیشتری نشان دهند.

Keywords:

Stock Market Index , Predicting , Monetary Variables , Machine Learning , Feature Importance , شاخص بازار سهام , پیش بینی , متغیرهای پولی , یادگیری ماشین , اهمیت ویژگی