دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 8 3 2019 09 23 Machine learning algorithms for time series in financial markets الگوریتم‌های یادگیری ماشین برای سری‌های زمانی در بازارهای مالی 60 67 91216 FA مریم دهقانی گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران محمد قاسم زاده گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران. 0000-0002-6805-4852 حبیب انصاری سامانی دانشکده اقتصاد، مدیریت و حسابداری، گروه اقتصاد، دانشگاه یزد، یزد، ایران. Journal Article 2019 02 18 This research focuses on the usefulness of various intelligent machine learning algorithms on prediction of time series in financial markets. A challenge in this area is that economic managers and the scientific community are still demanding predictive algorithms with greater accuracy. The elimination of the mentioned challenge can improve the quality of the predictions and, as a result, lead to higher profitability and productivity. The proposed solution relies on finding the best input variables by using the regression-based machine learning algorithms, with emphasis on the leading selection methods. We implemented the concerned ideas using the Python language and the relevant machine learning tools. In our experiments, as dataset, we used the stock information of two companies from the Tehran Stock Exchange. These datasets belong to the transactions accomplished in years 2008 to 2018. The experimental results show that the technical features selected by the forward method can find the most effective and also the best values for the required parameters. The experimental results and formal analyses indicate that the use of selected technical features as inputs to the support-vector-machine and to the multi-layer perceptron machine gives prediction with the least-error, and this would provide more accurate predictions این پژوهش در رابطه با بررسی سودمندی الگوریتم‌های هوشمند مختلف در حوزه یادگیری ماشین برای پیش‌بینی سری‌های زمانی در بازارهای مالی می‌باشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدل‌های پیش-ینی با دقت بیشتری می‌باشند. رفع چالش یاد شده موجب ارتقای کیفیت پیش‌بینی و به جهت آن، سودآوری و بهره‌وری بالاتری می‌شود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتم‌های یادگیری ماشینِ مبتنی بر رگرسیون، با تأکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیاده‌سازی گردیدند. داده‌های تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران می‌باشند. این داده‌ها مربوط به سال‌های ١٣٨٧ تا ابتدای سال ١٣٩٧ می‌باشند. نتایج آزمایشی نشان می‌دهند که ویژگی‌های فنی منتخب توسط روش پیشرو، مؤثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتم‌های یادگیری مورد نظر را می‌یابند. نتایج آزمایشی و تحلیل‌های رسمی دلالت بر این دارند که بکارگیری ویژگی‌های فنی منتخب ،به‌عنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیش‌بینی با حداقل خطا را در اختیار می‌گذارد. ؛ این مطلب منجر به ارائه پیش‌بینی با دقت بالاتری می‌گردد. https://jscit.nit.ac.ir/article_91216_222df2a1b1e902017b47fb4770a28998.pdf