بهینه ساز گرگ خاکستری باینری

هدف: سرمایه گذاری کمی که توسط یادگیری ماشینی ایجاد می شود، فرصت های جدیدی را برای تولید بینش بیشتر از داده های مالی باز کرده است که منجر به توسعه ایده ها برای افزایش عملکرد سرمایه گذاری ها در بازارهای سهام می شود. روش: در این تحقیق، مدل معرفی شده به نام CBGWO-XGBoost برای پیش بینی قیمت پایانی روز آتی سهام تحت مطالعه پیشنهاد شده است. مدل پیشنهادی CBGWO را به عنوان بخش مهندسی ویژگی و XGBoost به عنوان پیش بینی کننده قیمت پایانی ترکیب می کند. این مدل با قیمت سهام شرکت های بورس اوراق بهادار تهران در قالب دو مجموعه ویژگی های توسعه یافته آموزش داده شده و سپس از مدل برای پیش بینی قیمت پایانی آتی سهام استفاده شده است. پس از آموزش و پیش بینی، ارزش واقعی و پیش بینی شده سهام با هم مقایسه می شود. یافته ها: به طور کلی مجموعه ویژگی های توسعه یافته 2 عملکرد بهتری از مجموعه ویژگی های توسعه یافته 1 بدون فرآیند مهندسی ویژگی داشته است. همچنین با اعمال فرآیند مهندسی ویژگی در مجموعه ویژگی های توسعه یافته 2 الگوریتم ها به ترتیب CBGWO، BGWO2 و BGWO1 بهترین عملکرد را در نمادهای مختلف کسب نمودند. نتیجه گیری: این مطالعه نشان داد که عملکرد موفقیت آمیز پیش بینی قیمت سهام به یک روش پیش بینی انحصاری بستگی ندارد. در عوض، نشان داده شده است که یک عملکرد پیش بینی خوب تا حد زیادی به فرآیندهای مهندسی ویژگی بستگی دارد، که عمداً با یک الگوریتم یادگیری ترکیب می شود، که می تواند تعادل و هماهنگی خوبی بین افزایش ابعاد و کاهش ابعاد ایجاد کند.