پیش بینی بازدهی صندوق های قابل معامله دولتی مبتنی بر مدل ‎های خطی و غیرخطی در الگوریتم های ماشین یادگیری

پیش بینی بازدهی صندوق های دولتی بورس تهران به دلیل اهمیت آن ها در فرآیندهای تصمیم گیری اقتصاد کلان و بازارهای مالی کشور، از جایگاه ویژه ای برخوردار است. پژوهش حاضر با بهره گیری از الگوریتم های پیشرفته یادگیری ماشین، نظیر ماشین بردار پشتیبان (SVM) و رگرسیون خطی، مدلی برای پیش بینی بازدهی این صندوق ها ارایه می دهد. هدف اصلی، بهبود استراتژی های اقتصادی و سرمایه گذاری در سطح دولت و نهادهای مالی با تحلیل دقیق بازدهی این صندوق ها است.

روش شناسی پژوهش: 

این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی-همبستگی است. داده های صندوق های دولتی بورس تهران شامل دوره زمانی چهارساله (1399 تا 1402) از پایگاه مرکز اطلاع رسانی و فناوری بورس تهران (فیپ ایران) استخراج شده است. تحلیل داده ها با استفاده از دو الگوریتم یادگیری ماشین (SVM و رگرسیون خطی) در نرم افزار R انجام شد. به دلیل ترکیب متفاوت دارایی ها، صندوق های پالایش یکم و دارایکم به عنوان نمونه های اصلی انتخاب شدند.

نتایج نشان داد که الگوریتم های SVM و رگرسیون خطی می توانند بازدهی صندوق های دولتی را با دقت بالایی پیش بینی کنند. به طور خاص، صندوق پالایش یکم به دلیل ترکیب دارایی های کمتر متنوع و بازار ناکارای تهران، با خطای کمتری پیش بینی شد. مقایسه عملکرد الگوریتم ها نشان داد که هر دو روش دقت مناسبی داشته و برای پیش بینی های آتی قابل استفاده هستند.

اصالت/ارزش افزوده علمی:

 این پژوهش با استفاده از الگوریتم های یادگیری ماشین، مدلی کاربردی برای پیش بینی بازدهی صندوق های دولتی بورس تهران ارایه کرده است. یافته های پژوهش می توانند در تصمیم گیری های اقتصادی و سرمایه گذاری در سطح دولت و سایر نهادهای مالی مورداستفاده قرار گیرند.