Journal of Economic Modeling Research

fa راهنمای سرمایه‌گذاری در بورس تهران: کاربرد یادگیری ماشین در استراتژهای تحلیل تکنیکال Guide to Investing in the Tehran Stock Exchange: The Application of Machine Learning in Technical Analysis Strategies پولی و مالی پولی و مالی كاربردي Applicable <table align="right" class="MsoTableGrid" dir="rtl" style="border-collapse:collapse; border:none; margin-left:9px; margin-right:9px"> <tbody> <tr> <td style="border-bottom:2px double black; width:360px; padding:0in 7px 0in 7px; height:147px; border-top:2px double black; border-right:none; border-left:none" valign="top"> <div style="text-align: justify;"> 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.</div> </td> </tr> </tbody> </table> <table align="center" class="MsoTableGrid" style="border-collapse:collapse; border:none"> <tbody> <tr> <td style="border-bottom:2px double black; width:463px; padding:0in 7px 0in 7px; height:171px; border-top:2px double black; border-right:none; border-left:none" valign="top">Objective: The aim of this research is to provide a practical guide for investing in the Tehran Stock Exchange by combining technical analysis techniques with advanced machine learning methods. Focusing on the analysis of buy and sell signals in selected indices of the Tehran Stock Exchange, the study seeks to evaluate the effectiveness of machine learning models in predicting market trends. Materials and Methods: In this study, the daily data of six selected indices of the Tehran Stock Exchange, including financial, petroleum products, automotive, pharmaceutical, food, and basic metals indices, were analyzed from 2020 to January 2025. Four machine learning models, including Linear Model, Random Forest, Artificial Neural Network, and Support Vector Regression, were utilized alongside two technical analysis strategies, TEMA and MACD, to generate and evaluate buy and sell signals. Results: The results indicated that machine learning models, particularly Random Forest and Artificial Neural Network, performed better in identifying buy and sell signals when combined with TEMA and MACD strategies. These models were able to predict market trends with higher accuracy, and the signals they generated were mostly consistent with actual price changes. The food, automotivation and financial and basic metals indices demonstrated greater sensitivity to these analyses. Conclusion: The combination of machine learning methods with technical analysis strategies can provide investors with a powerful tool for decision-making in the Tehran Stock Exchange. This research demonstrated that using these methods can not only improve the accuracy of buy and sell signals but also reduce investment risk and increase returns. Utilizing these models can be recommended as part of an investment strategy for analysts and investors. Originality: This research is the first quantitative study that seeks to conceptualize buy and sell signals using the combined method of machine learning and technical analysis as one of the basic tools to guide investors.</td> </tr> </tbody> </table> سیگنال‌های خرید و فروش, مدل‌های یادگیری ماشین, استراتژی تحلیل تکنیکال. Buy and sell signals, Machine learning models, Technical analysis strategy. 50 74 http://jemr.khu.ac.ir/browse.php?a_code=A-10-2973-1&slc_lang=fa&sid=1 Fatemeh Ansari فاطمه انصاری f.ansari@urmia.ac.ir 100319475328460013468 100319475328460013468 No Urmia University دانشگاه ارومیه Shahab Jahangiri شهاب جهانگیری kh.jahangiri@urmia.ac.ir 100319475328460013469 100319475328460013469 Yes Urmia University دانشگاه ارومیه Ali rezazade علی رضازاده a.rezazade@urmia.ac.ir 100319475328460013470 100319475328460013470 No Urmia University دانشگاه ارومیه