حسابداری، امور مالی و هوش محاسباتی 3092-7366 1 پیاپی 1 2024 04 09 Predictive Analytics in Stock Market Forecasting: A Comparison of Decision Trees and Support Vector Machines تحلیل پیش‌بینی در پیش‌بینی بازار سهام: مقایسه درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان 56 70 EN وحید ابراهیمی دانشکده آی‌تی، دانشگاه زنجان، زنجان، ایران Journal Article 2024 01 08 Stock market prediction, as one of the critical challenges in the financial domain, requires the application of advanced machine learning algorithms. Decision Trees and Support Vector Machines (SVM) are two popular algorithms, each with its advantages and limitations in predicting market fluctuations. The aim of this paper is to compare the performance, accuracy, and efficiency of Decision Trees and Support Vector Machines in stock market forecasting. This study follows a descriptive-analytical review method, examining past research on the use of Decision Trees and Support Vector Machines for stock market prediction. Relevant studies from reputable academic sources were analyzed based on accuracy, speed, and the ability of each algorithm to process complex data. Decision Trees, due to their simplicity and high processing speed, perform well in quick and straightforward predictions, but they may struggle with overfitting when dealing with complex and noisy data. In contrast, Support Vector Machines, utilizing kernel and optimization techniques, demonstrate higher accuracy in identifying complex patterns and nonlinear data, though they require more complex parameter tuning and longer computational time. Both algorithms can be effective tools for stock market forecasting, depending on the type of data and market conditions. Decision Trees are better suited for quick and interpretable predictions, while Support Vector Machines outperform in handling complex and noisy datasets. پیش‌بینی بازار سهام به‌عنوان یکی از چالش‌های مهم در حوزه مالی، نیازمند استفاده از الگوریتم‌های پیشرفته یادگیری ماشین است. دو الگوریتم محبوب در این زمینه، درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان هستند که هرکدام مزایا و معایب خاص خود را در پیش‌بینی نوسانات بازار دارند. هدف این مقاله مقایسه عملکرد، دقت و کارایی دو الگوریتم درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان در پیش‌بینی بازار سهام است. این پژوهش با روش مرور توصیفی-تحلیلی به بررسی مطالعات گذشته پیرامون استفاده از درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان در پیش‌بینی بازار سهام پرداخته است. مقالات مرتبط در منابع معتبر علمی جستجو و نتایج آنها بر اساس معیارهای دقت، سرعت، و توانایی هر الگوریتم در پردازش داده‌های پیچیده تحلیل شدند. درخت‌های تصمیم‌گیری به‌دلیل سادگی و سرعت بالا در پردازش داده‌ها، در پیش‌بینی‌های سریع و ساده‌تر عملکرد خوبی از خود نشان می‌دهند، اما ممکن است در مواجهه با داده‌های پیچیده و نویزی با مشکلاتی مانند بیش‌برازش روبه‌رو شوند. از سوی دیگر، ماشین‌های بردار پشتیبان به‌دلیل استفاده از تکنیک‌های هسته و بهینه‌سازی، در شناسایی الگوهای پیچیده و داده‌های غیرخطی دقت بالاتری دارند، اما نیازمند تنظیمات پیچیده‌تر و زمان محاسباتی بیشتری هستند. هر دو الگوریتم بسته به نوع داده‌ها و شرایط بازار می‌توانند ابزارهای موثری برای پیش‌بینی بازار سهام باشند. درخت‌های تصمیم‌گیری برای پیش‌بینی‌های سریع و قابل فهم مناسب‌تر هستند، در حالی که ماشین‌های بردار پشتیبان در مواجهه با داده‌های پیچیده و نویزی عملکرد بهتری از خود نشان می‌دهند.

https://www.jafci.com/index.php/jafci/article/download/6/5