دانشگاه کاشان محاسبات نرم 2322-3707 14 2 2026 01 21 Comparison of single and ensemble support vector regression models for stock price prediction مقایسه روش رگرسیون بردار پشتیبان معمولی و گروهی برای پیش‌بینی قیمت سهام 138 151 114871 10.22052/scj.2025.255297.1260 FA سیدمحمد حسینی گروه پژوهشی هوش مصنوعی گهر، دانشکده علوم پایه، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران. مجید ابتیاع گروه پژوهشی هوش مصنوعی گهر، دانشکده علوم پایه، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران. 0009-0001-7643-103X محمدرضا آریافر گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران. 0009-0001-7643-103X Journal Article 2024 08 18 Capital accumulation and proper asset management play a crucial role in the economic growth of countries. The significant impact of this factor, as well as its importance, can be clearly observed in the system of most countries, especially capitalist systems. The capital market is one of the most appropriate places to attract small assets and use them in order to grow and improve a company and also increase the personal assets of investors. Therefore, correct investment helps individuals to manage the surplus of their incomes properly, enabling them to attain the necessary capital to achieve their goals. Essentially, stock prices are nonlinear and chaotic; hence, investing in the stock market carries a high risk. To minimize this risk and reduce hazards, an efficient system is required that can predict future stock price movements with high accuracy. Given the importance of this issue, machine learning models have shown suitable performance in this area. Machine learning algorithms have the ability to model nonlinear and complex systems. In this research, a novel collective approach based on Support Vector Regression is used to construct a composite or hybrid model that enjoys high accuracy and speed in predicting stock prices. The stocks used in this research are the ten index-making shares of FOLD, TAMN, PKLJ, MSMI, PNES, PTEH, PNBA, IKCO, SIPA and PARS, considered in the period from 2021-03-27 to 2024-07-21. Based on various criteria, the results demonstrate the superiority of the collective Support Vector Regression method over the conventional Support Vector Regression method and the Random Forest approach. انباشت سرمایه و نگهداری صحیح از دارایی نقش بسزایی را در رشد اقتصادی کشورها ایفا می‌کند. نقش موثر این عامل و اهمیت آن را به روشنی در سیستم اکثر کشورها به ویژه نظام‌های سرمایه‌داری می‌توان مشاهده نمود. بازار سرمایه یکی از مناسبترین جایگاه‌ها به منظور جذب دارایی‌های اندک و بکارگیری آنها با هدف رشد و ارتقا یک شرکت و همچنین افزایش دارایی شخصی سرمایه‌گذاران است. از اینرو، سرمایه‌گذاری درست، به افراد کمک می‌کند تا با مدیریت صحیح بخش مازاد درآمدهای خود، بتوانند به سرمایه لازم جهت رسیدن به اهداف خود دست پیدا کنند. اساسا قیمت سهام، غیرخطی و آشوبناک است، بنابراین سرمایه‌گذاری در بازار بورس، خطر بالایی به همراه دارد. برای به حداقل رساندن این خطر و کاهش مخاطرات، یک سیستم کارا مورد نیاز است که قادر باشد حرکت قیمت سهام در آینده را با دقت بالایی پیش‌بینی نماید. در این راستا، مدل‌های یادگیری ماشین عملکرد مناسبی در زمینه پیش‌بینی با دقت بالا را دارا هستند. الگوریتم‌های یادگیری ماشین توانایی مدل نمودن سیستم‌های غیرخطی و پیچیده را دارند. در این پژوهش به کمک رویکرد گروهی جدید مبتنی بر رگرسیون بردار پشتیبان یک مدل جمعی یا ترکیبی ساخته می‌شود که از دقت و سرعت بالایی در پیش‌بینی قیمت سهام برخوردار است. سهم‌های مورد استفاده در این پژوهش ده سهام شاخص‌ساز فولاد، شستا، فارس، فملی، شپنا، شتران، شبندر، خودرو، خساپا و پارس است که در بازه زمانی 1400/01/07 تا 1403/04/31 در نظر گرفته شده است. بر اساس معیارهای مختلف، نتایج به دست‌ آمده برتری روش رگرسیون بردار پشتیبان گروهی بر روش معمولی رگرسیون بردار پشتیبان و روش جنگل تصادفی را نشان می‌دهد. https://scj.kashanu.ac.ir/article_114871_8ea6810d6a1c940f3f2cb63a777fd5d1.pdf