سعید باجلان - استادیارگروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران
سعید فلاحپور - استادیارگروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران
ناهید دانا - دانشجوی کارشناسی ارشد رشته مهندسی مالی، دانشگاه تهران

در این پژوهش، یک مدل پیش­بینی براساس روش ماشین بردار پشتیبان تعدیل­شده با استفاده از وزن­دارکردن تابع جریمه مدل با توجه به حجم معاملات واقعی روزانه  به منظور افزایش دقت پیش بینی نوسان های کوتاه مدت در بازار سهام و دست­یابی به استراتژی معاملاتی بهینه، ارائه شده است. همراه با طبقه­بندی­کننده ماشین بردار پشتیبان تعدیل­شده، از یک روش انتخاب ویژگی هیبرید، مرکب از یک بخش فیلتر­کننده و یک بخش پوشش­دهنده به منظور انتخاب زیرمجموعه­ای بهینه از ویژگی­ها استفاده شده است. همچنین به منظور بررسی توانایی مدل پیشنهادی در پیش­بینی روند قیمت، یک استراتژی معاملاتی بر پایه نتایج مدل داده می­شود. ورودی مدل چندین شاخص تحلیل تکنیکال و شاخص­های آماری متعددی هستند که برای تعداد 10 سهم انتخاب شده از بورس اوراق بهادار تهران محاسبه شده­اند. نتایج نشان می­دهد که مدل ماشین بردار پشتیبان وزن­دهی شده، همراه با روش انتخاب ویژگی هیبرید پیشنهاد شده، میزان دقت پیش­بینی را به میزان قابل توجهی افزایش داده و نیز نتایج استراتژی معاملاتی پیشنهادشده را نسبت به استراتژی­های رقیب، هم از لحاظ میزان بازده کلی و هم از لحاظ میزان بیشینه ضرر در طول دوره سرمایه­گذاری بهبود می بخشد.

ماشین بردار پشتیبان, انتخاب ویژگی, پیش بینی روند, استراتژی معاملاتی