اجرای رگرسیون بردار پشتیبان با استفاده از کرنل های چند گانه

پیش بینی قیمت سهام بورس یک فعالیت سخت در دنیای مدرن می باشد . عوامل بسیاری بر رفتار بازار اثر گذار است از جمله عوامل اقتصادی و غیر اقتصادی . بنابر این پیش بینی به عنوان یکی از مسائل چالش زا در مسائل مالی مطرح است .در این تحقیق رگرسیون بردار پشتیبان کرنل چند گانه که حالت پیشرفته ماشینهای بردار پشتیبان می باشد ارائه شده . برای بدست آوردن ضرایب لاگرانژ و وزن توابع کرنل بهینه ، الگوریتم یادگیری روش بهینه سازی کمینه ترتیبی و تصویر سازی گرادیان را به ترتیب انجام می دهد. با استفاده از این الگوریتم مزایای استفاده از ساختار ابر پارامتر ترکیب شده و اجرای سیستم بهبود می یابد . بعلاوه نیازی به تعیین ابر پارامتر ها و روش آزمون و خطا برای تعیین ساختار ابر پارامتر مناسب در ابتدا نداریم . svr یک مساله برنامه نویسی در شبکه های عصبی است که برای پیش بینی و حل با محاسبه ضرایب لاگرانژ و با تکرار انجام می پذیرد و سر انجام رگرسیون ابر طرح ایجاد می شود . هدف از این تحقیق مقایسه قدرت پیش بینی با این روش و با روش تک کرنل و سری زمانی می باشد که نتایج بسیار دقیق تری را به ویژه برای بازه های زمانی کوتاه مدت نمایش می دهد. داده های در نظر گرفته شده از سازمان بورس تهران برای قیمت های سهام دو شرکت بیمه آسیا و دی و شاخص کل بورس می باشد . محاسبات انجام شده با نرم افزار های eviews و matlab صورت گرفته است.