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 |