پیش‌بینی سقوط‌های کوتاه‌مدت شاخص کل بورس تهران: رویکردی مبتنی بر XGBoost با مدیریت پیشرفته عدم تعادل داده‌ها

کد مقاله : 1091-MMAI

نویسندگان

محمدرضا آیت اللهی *، سید محمدباقر جعفری، حمیدرضا دهقانی دانشگاه تهران

چکیده مقاله

پیش‌بینی نوسانات شدید بازار سهام، چالشی دیرینه با اهمیت بنیادین برای مدیریت ریسک است. این پژوهش، مدل‌سازی پیش‌بینی سقوط‌های کوتاه‌مدت (افت بیش از 10% طی 21 روز معاملاتی) در شاخص کل بورس تهران را هدف قرار داده است. با بهره‌گیری از داده‌های روزانه تاریخی و محاسبه 79 ویژگی تکنیکال و حجمی، مدلی مبتنی بر الگوریتم قدرتمند XGBoost توسعه یافت. چالش ذاتی عدم توازن کلاس‌ها (نادر بودن سقوط‌ها) از طریق رویکرد ترکیبی تکنیک داده‌افزایی SMOTE و وزن‌دهی به کلاس‌ها در مدل‌سازی مدیریت گردید. هایپرپارامترهای مدل با استفاده از جستجوی شبکه‌ای و اعتبارسنجی متقابل بر مبنای معیار AUC-PR بهینه شدند. نتایج ارزیابی بر روی مجموعه داده تست، عملکرد چشمگیر مدل را نشان می‌دهد؛ به‌ویژه، حساسیت (Recall) 88.5% در شناسایی کلاس سقوط و امتیاز AUC-PR معادل 0.936، بیانگر توان تفکیک بالای مدل است. تحلیل اهمیت ویژگی‌ها، نقش تعیین‌کننده نوسانات و سطوح قیمتی پایین را آشکار ساخت. مدل توسعه‌یافته، ابزاری کارآمد برای تشخیص زودهنگام ریسک سقوط در بازار سهام تهران ارائه می‌دهد و دلالت‌های عملی مهمی برای فعالان بازار دارد.

کلیدواژه ها

پیش‌بینی سقوط بازار، XGBoost، داده‌های نامتوازن، SMOTE، شاخص کل بورس تهران، مدیریت ریسک.

وضعیت: پذیرفته شده مشروط برای ارائه شفاهی