5 نتیجه برای یادگیری ماشین
یاسین قاسمی، عباس خندان، نرگس اکبرپور روشن،
دوره 13، شماره 47 - ( 3-1401 )
چکیده
پوشش بیمه سازمان تامین اجتماعی برای حرف و مشاغل آزاد به صورت اختیاری در سه نرخ 12، 14 و 18 درصد ارائه میشود اما نگاه به آمار نشان میدهد که تقاضای این بیمهنامهها بسیار پایین است. این پژوهش با استفاده از دادهکاوی و با بهکارگیری دو الگوریتم یادگیری ماشین یعنی درخت تصمیم و جنگل تصادفی به بررسی مشخصههای خریداران این نوع بیمهنامهها پرداخته و با ارائه یک مدل طبقهبندی، رفتار آنها را پیشبینی میکند تا از این طریق به سازمان تأمین اجتماعی در جهت بهبود مدیریت ارتباط با مشتری کمک کند. برای این منظور، از اطلاعات 1286174 نفر از خریداران انواع بیمهنامههای حرف و مشاغل آزاد سال 1399 استفاده شد که مشخصههای سن، جنسیت، متوسط درآمد ماهانه، میزان سابقه کار و نوع بیمهنامه خریداری شده را در بر میگیرد. نتایج به دست آمده نشان میدهند که زنان به طور عمده متقاضی بیمهنامه با نرخ 12 درصد هستند در حالی که مردان به دلیل بر عهده داشتن بار تکفل خانواده عمدتاً تمایل به خرید بیمهنامههای با نرخ 14 و 18 درصدی دارند. همچنین، در مردان با افزایش سن، درآمد و سابقه، تقاضای بیمههای با نرخ 14 و 18 درصد افزایش مییابد، اما چنین روندهایی برای زنان وجود ندارد. طبق نتایج بهدست آمده متغیرهای میزان سابقه کار و پس از آن جنسیت در انتخاب نوع بیمهنامه تعیینکننده هستند، به گونهای که طبق پیشبینی مدل افراد با سابقه کار کمتر از 5/4 سال متقاضیان قطعی بیمهنامه 12 درصدی شناخته شدهاند. با توجه به نتایج و انگیزه پایین زنان و جوانان برای انتخاب بیمههای با خدمات گستردهتر، سازمان تأمین اجتماعی می-تواند ازطریق ارائه مشوقها یا خدمات کوتاهمدت، جذابیت این نوع بیمهنامه با خدمات گستردهتر را در بین این گروه خاص افزایش دهد.
فاطمه انصاری، شهاب جهانگیری، علی رضازاده،
دوره 14، شماره 53 - ( 9-1402 )
چکیده
|
هدف: هدف این پژوهش ارائه یک راهنمای کاربردی برای سرمایهگذاری در بورس تهران از طریق ترکیب تکنیکهای تحلیل تکنیکال با روشهای پیشرفته یادگیری ماشین است. با تمرکز بر تحلیل سیگنالهای خرید و فروش در شاخصهای منتخب بورس تهران، تلاش شده است تا کارایی مدلهای یادگیری ماشین در پیشبینی روند بازار بررسی شود.
روش: در این تحقیق، دادههای روزانه شش شاخص منتخب بورس تهران شامل شاخصهای مالی، فرآوردههای نفتی، خودرویی، دارویی، غذایی و فلزات اساسی از سال 1399 تا دیماه 1403 مورد بررسی قرار گرفتند. چهار مدل یادگیری ماشین شامل مدل خطی، جنگل تصادفی، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان در کنار دو استراتژی تحلیل تکنیکال TEMA و MACD برای تولید و ارزیابی سیگنالهای خرید و فروش استفاده شدند.
یافتهها: نتایج نشان داد که مدلهای یادگیری ماشین، بهویژه جنگل تصادفی و شبکه عصبی مصنوعی، در ترکیب با استراتژیهای TEMA و MACD عملکرد بهتری در شناسایی سیگنالهای خرید و فروش داشتهاند. این مدلها توانستند با دقت بالاتری روند بازار را پیشبینی کنند و سیگنالهای تولیدشده توسط آنها در اغلب موارد با تغییرات واقعی قیمت همخوانی داشت. شاخصهای غذایی، خودرویی و مالی حساسیت بیشتری به این تحلیلها نشان دادند.
نتیجهگیری: ترکیب روشهای یادگیری ماشین با استراتژیهای تحلیل تکنیکال میتواند به سرمایهگذاران ابزار قدرتمندی برای تصمیمگیری در بورس تهران ارائه دهد. این پژوهش نشان داد که استفاده از این روشها نه تنها میتواند دقت سیگنالهای خرید و فروش را بهبود بخشد، بلکه امکان کاهش ریسک سرمایهگذاری و افزایش بازده را نیز فراهم میآورد. بهرهگیری از این مدلها میتواند بهعنوان بخشی از استراتژی سرمایهگذاری برای تحلیلگران و سرمایهگذاران پیشنهاد شود.
اصالت: این پژوهش اولین مطالعه کمی است که به دنبال مفهومسازی سیگنالهای خرید و فروش به روش ترکیبی یادگیری ماشین و تحلیل تکنیکال به عنوان یکی از ابزارهای اساسی برای راهنمایی سرمایهگذاران میباشد.
|
مجید شفیعی، پرویز رستمزاده، محمد رستگار، زهرا دهقانشبانی،
دوره 14، شماره 53 - ( 9-1402 )
چکیده
بازار سهام به عنوان یکی از اجزای حیاتی بازار سرمایه، بخش مهمی از اقتصاد کشور است که میتواند جریان سرمایه را مدیریت و تخصیص سرمایه را بهینه کرده و از این طریق به رشد و توسعه اقتصادی کمک کند. پیشبینی هرچه دقیقتر روند بازار سهام میتواند با کاهش ریسک، به تصمیمگیری سرمایهگذاران برای کسب بازده بیشتر کمک کند. بهطور کلی بازار سهام همواره در حال تغییر است و عوامل زیادی بر روند حرکت این بازار اثر میگذارند لذا پیشبینی الگوهای حرکتی در بازا سهام نیازمند داشتن اطلاعات کافی از گذشته بازار و عوامل اثرگذار بر آن میباشد. این مقاله ضمن پیشبینی شاخص کل بازار سهام ایران، به دنبال تفسیر مدل و مشخص کردن اثرگذارترین متغیر اقتصادی بر پیشبینی شاخص کل میباشد. برای این منظور از دادههای روزانه بازار سهام و متغیرهای کلان اقتصادی طی دوره 1394-1401 استفاده شده است. همچنین از مدلهای یادگیری ماشین برای پیشبینی و از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیشبینی و تعیین بااهمیتترین متغیر اقتصادی در مدل پیشبینی استفاده شده است. براساس نتایج بدست آمده از میان روشهای گروهی مبتنی بر درخت، مدل پیشنهادی این مطالعه یعنی ExtraTrees بهترین عملکرد را بر اساس معیارهای خطا در پیشبینی دارد. درمورد مبحث اهمیت ویژگی نیز بر اساس مدل ExtraTrees، به ترتیب دلار نیمایی، نرخ بیکاری، دلار بازار آزاد و نقدینگی با اهمیتترین متغیرهای اقتصادی اثرگذار بر مدل پیشبینی میباشند. همچنین براساس سایر مدلهای استفاده شده در پژوهش، نقدینگی مؤثرترین متغیر بر روند شاخص سهام میباشد. در نهایت میتوان گفت که مؤثرترین متغیرهای پولی بر شاخص بازار سهام در ایران متغیرهای نقدینگی و نرخ ارز میباشند لذا سیاستگذاران پولی و سرمایهگذاران بازار سهام در تصمیمگیریهای خود باید به تغییرات این متغیرها حساسیت بیشتری نشان دهند.
علی مریدیان، حسن حیدری، سیدمهدی حسینی، حشمت اله عسگری،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
هدف: این مطالعه به بررسی اثرات نااطمینانی سیاست اقتصادی، نرخ ارز و قیمت نفت بر تورم در ایران طی دوره زمانی 2008 تا 2023 میپردازد. هدف اصلی، شناسایی ماهیت کوتاهمدت، میانمدت و بلندمدت این اثرات و تحلیل پویاییهای تورم با استفاده از روشهای نوین موجک و یادگیری ماشین است.
روش: برای تحلیل روابط غیرخطی و وابسته به مقیاس میان متغیرها، از رگرسیون حداقل مربعات منظمشده با هسته موجک (WKRLS) و علیت کوانتایل ناپارامتریک موجک (WNQC) استفاده شده است. دادهها شامل شاخص تورم، نااطمینانی سیاست اقتصادی (EPU)، نرخ ارز غیررسمی و قیمت نفت به صورت ماهانه است. همچنین آزمون دیکی-فولر تعمیمیافته کوانتایل موجک (Wavelet-QADF) جهت بررسی مانایی سریهای زمانی به کار گرفته شده است.
یافتهها: نتایج نشان میدهد متغیرهای کلیدی اقتصاد ایران در بیشتر کوانتایلها و مقیاسهای زمانی مانا هستند. بر اساس برآوردهای WKRLS، اثر نااطمینانی سیاست اقتصادی بر تورم در کوتاهمدت ضعیف، در میانمدت کاهنده اما همچنان معنادار، و در بلندمدت بهصورت غیرخطی و شتابدار افزایشی است. نرخ ارز بیشترین تأثیر را بر تورم دارد، بهویژه در کوتاهمدت به دلیل وابستگی شدید اقتصاد ایران به واردات. قیمت نفت نیز در بلندمدت اثر قابلتوجهی بر تورم و نوسانات آن دارد. یافتههای WNQC نشان میدهد که نااطمینانی سیاست اقتصادی و نرخ ارز در کوانتایلهای پایین و میانی تورم اثر قویتری دارند، در حالی که قیمت نفت عمدتاً در بلندمدت موجب تقویت نوسانات تورم میشود.
نتیجهگیری: یافتهها بر اهمیت ثبات سیاستهای اقتصادی، کاهش وابستگی به درآمدهای نفتی و کنترل نوسانات نرخ ارز برای مدیریت تورم در ایران تأکید دارند. همچنین، ترکیب روشهای موجک و یادگیری ماشین امکان ارائه تحلیلی جامعتر از پویاییهای تورم را در شرایط مختلف فراهم میکند.
محمود محمودزاده، مسعود صوفی، مرتضی علی پور،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
با وجود گسترش کاربرد یادگیری ماشین در اعتبارسنجی، بخش مهمی از مطالعات داخلی همچنان بر مدلهای آماری سنتی و متغیرهای ایستا تکیه داشتهاند و کمتر به نقش دادههای واقعی رفتاری، تراکنشی و عملکرد بازپرداخت در پایش ریسک اعتباری پس از اعطای تسهیلات پرداختهاند. این پژوهش برای پوشش این خلأ، با استفاده از دادههای 119,050 تسهیلات اعطایی به مشتریان حقیقی بانک قرضالحسنه رسالت طی دوره 06/01/1401 تا 28/12/1402، عملکرد چهار مدل رگرسیون لجستیک تدریجی و الگوریتم LightGBM را در پیشبینی نکول اعتباری مقایسه میکند. متغیر هدف بر اساس تأخیر بیش از ۹۰ روز در بازپرداخت اقساط تعریف شد و مدلها با معیارهای AUC، Accuracy، Recall، F1-Score و Balanced Accuracy ارزیابی شدند. سهم دانشی پژوهش در ارائه شواهد تجربی از کارایی دادههای واقعی بانکی، تمرکز بر متغیرهای رفتاری و تراکنشی، مقایسه مدل کلاسیک و یادگیری ماشین، و تحلیل توان مدلها در شناسایی کلاس اقلیت در دادههای نامتوازن اعتباری است. نتایج نشان داد متغیرهای مرتبط با رفتار بازپرداخت، بهویژه تعداد اقساط معوق و مانده بدهی، مهمترین پیشبینیکنندههای نکول هستند. اگرچه مدل چهارم رگرسیون لجستیک با AUC برابر 0.98 عملکرد کلی بالایی داشت، اما در شناسایی مشتریان پرریسک بسیار ضعیف عمل کرد؛ بهگونهای که مقدار Recall آن تنها 0.12 درصد بود. در مقابل، LightGBM توانست 92.2 درصد مشتریان پرریسک را شناسایی کند و در معیارهای حساس به عدمتوازن دادهها عملکرد برتری نشان دهد. این یافته نشان میدهد که در دادههای نامتوازن، اتکای صرف به شاخصهایی مانند AUC و Accuracy میتواند گمراهکننده باشد و معیارهایی مانند Recall، F1-Score و Balanced Accuracy برای ارزیابی توان مدل در شناسایی مشتریان پرریسک اهمیت بیشتری دارند. بنابراین، در سناریوی پایش پس از اعطای تسهیلات، استفاده از الگوریتمهای یادگیری ماشین مبتنی بر دادههای رفتاری و تراکنشی میتواند چارچوب دقیقتر و قابل اتکاتری برای مدیریت ریسک اعتباری در بانکهای ایرانی فراهم کند.
