1- دانشجوی دکتری گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران 2- استادیار، گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران ، hosseinshafiee@iau.ac.ir 3- استادیار، گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران
چکیده: (9 مشاهده)
هدف:هدف این پژوهش بررسی کارایی مدل ترکیبی الگوریتم جستجوی طلایی و رگرسیون بردار پشتیبان (GSO–SVR) در پیش‌بینی قیمت پایانی روزانه سهام است. روش‌شناسی: این پژوهش از نظر هدف کاربردی و از نظر روش کمی است. داده‌های قیمت پایانی روزانه مربوط به هشت شرکت سهامی عام (اپل، گوگل، فیس‌بوک، ای‌بی‌ام، مایکروسافت، توییتر، یاهو و فورد) گردآوری شد. طرح تجربی برای حفظ ترتیب زمانی و کاهش نشت اطلاعات، داده‌ها را به‌صورت زمانی تفکیک کرده و انتخاب فرابارامترها را به مجموعه اعتبارسنجی محدود کرد. الگوریتم جستجوی طلایی برای تعیین مقادیر مناسب پارامتر جریمه SVR و ضریب هسته تابع پایه شعاعی با کمینه‌سازی خطای میانگین مربعات ریشه (RMSE) به کار رفت و عملکرد آن با SVR سنتی و SVR بهینه‌شده با الگوریتم ژنتیک (GA–SVR) مقایسه شد. معیارهای ارزیابی شامل خطای میانگین مربعات نرمال‌شده (NMSE)، خطای مطلق میانگین (MAE) و تقارن جهتی (DS) بودند. یافته‌ها:نتایج نشان داد که مدل پیشنهادی GSO–SVR در تمامی هشت شرکت توانست کمترین میزان NMSE و MAE را به دست آورد و در ۷ شرکت از ۸ شرکت بالاترین تقارن جهتی (DS) را ثبت کند؛ این امر حاکی از بهبود چشمگیر دقت پیش‌بینی عددی و توافق جهتی قیمت‌ها نسبت به مدل‌های بنچمارک است. نتیجه‌گیری:بهینه‌سازی فرابارامترها بر مبنای الگوریتم جستجوی طلایی می‌تواند عملکرد پیش‌بینی سری‌های زمانی مالی را به‌طور محسوسی ارتقا دهد، هرچند اثربخشی آن باید برای هر سهم و معیار ارزیابی به‌صورت تجربی بررسی شود.
