در این تحقیق، هدف بررسی و تحلیل روشی برای پیش‌بینی قیمت سهام بورس اوراق بهادار است. هرچند پیش‌بینی بازار سرمایه با توجه به وابستگی آن به عامل سیاست چندان ساده نیست‏‏،

اما با مدل‌سازی داد‌ه‌ها، پیش‌بینی عملکرد سهام بورس اوراق بهادار در بازه‌ بلندمدت تا حدودی امکان‌پذیر خواهد بود. در این راستا با ‏استفاده از مدل‌های رگرسیون نیم‌پارامتری و رگرسیون بردار تکیه‌گاه

با هسته‌های مختلف و اندازه‌گیری خطاهای پیش‌بین، بر روی یکی از سهم‌های بازار بورس اوراق بهادار بر اساس نوسان‏‎‎‏های روزانه و مقایسه روش‌ها با استفاده از معیارهای ریشه میانگین توان دوم خطاها

و میانگین قدرمطلق درصد خطا‎‏ها، مدل رگرسیون بردار تکیه‌گاه با هسته شعاعی و خطای ‏برابر 0.1‎

‏دارای مناسب‌ترین برازش روی داده‌های واقعی بازار سهام بوده ‌است‎.

مشهورترین تکنیک تحلیل داده‌های تابعی رویکرد مؤلفۀ‌های اصلی تابعی است که ابزاری مهم برای کاهش بعد نیز است. رگرسیون بردار پشتیبان شاخه‌ای از یادگیری ماشین و ابزار قدرتمندی برای تحلیل داده است. در این مقاله با استفاده از رگرسیون مؤلفۀ اصلی تابعی براساس تاوان‌های مشتق دوم، ریج و لاسو و با توجه به رگرسیون بردار پشتیبان با چهار هستۀ (خطی، چند جمله‌ای، سیگمویید و شعاعی) در داده‌های طیف سنجی به مدل‌سازی متغیر وابسته روی متغیرهای پیش‌بین پرداخته شده است. بر اساس نتایج بدست آمده طبق معیارهای نیکویی برازش پیشنهادی، مدل رگرسیون بردار پشتبان با هستۀ خطی و خطای بهینه شده ‎ $0.2$‎مناسب‌ترین برازش را به داده‌ها داشته است.

تحلیل داده‌های تابعی برای توسعه رویکردهای آماری در داده‌هایی مورد استفاده قرار می‌گیرد که دارای ماهیت تابعی و پیوسته هستند و چون این توابع به فضاهای با بعد بی‌نهایت تعلق دارند، استفاده از روش‌های متداول در آمار کلاسیک برای تحلیل آن‌ها، با چالش روبرو است.

مشهورترین تکنیک تحلیل داده‌های آماری، رویکرد مولفه‌های اصلی تابعی می‌باشد که ابزاری مهم برای کاهش بعد است،

در این مقاله با استفاده از روش

رگرسیون مولفه اصلی تابعی براساس جریمه‌ مشتق دوم، ریج و لاسو

به تحلیل داده‌های تابعی آب و هوای کانادا و داده‌های تابعی طیف‌سنج پرداخته خواهد شد. بدین منظور برای تعیین مقدار بهینه پارامتر جریمه در روش‌های مورد استفاده از اعتبار سنجی متقابل تعمیم یافته‏‏، که معیاری معتبر و کارآمد است‏، استفاده می‌گردد.