عملکرد یک مدل هوشمند تا حد زیادی به انتخاب مرتبطترین و تأثیرگذارترین متغیرهای ورودی و کمترین پیچیدگی مدل یادگیری بستگی دارد. از اینرو در مطالعه حاضر، برای پیشبینی روزانه شاخص کل بورس اوراق بهادار تهران بر اساس متغیرهای مالی و اقتصادی، ابتدا اقدام به اولویتبندی ویژگیها با الگوریتم MID نموده، سپس از 4 مدل مختلف شبکه عصبی (MLP, SVR, RBF, DNN) که از مهمترین و بدیعترین مدلهای پیشبینی میباشند، استفاده میشود. با توجه به نتایج بدست آمده از تحلیل مدلهای مورد بررسی، در نهایت الگوریتمی برای انتخاب ویژگیهای مناسب برای پیشبینی شاخص، تحت عنوانISF_MID پیشنهاد شده و با تعدادی از روشهای مشابه، مقایسه میگردد. دادههای مورد استفاده در این پژوهش به صورت روزانه در بازه زمانی 28/10/1392 تا 30/5/1397 جمعآوری شدهاند. مدلهای مورد بررسی در مرحله پیادهسازی با روش اعتبارسنجی متقابل K-fold مورد ارزیابی قرار گرفتند. همچنین از معیارهای MAE، MSE و RMSE برای ازریابی عملکرد مدلهای مذکور استفاده میشود. نتایج نشان میدهد که با روش پیشنهادی، میتوان با 7 ویژگی انتخابی به دقت بالایی در پیشبینی روزانه شاخص کل بورس اوراق بهادار تهران دستیافت.