DOI: https://doi.org/10.1371/journal.pone.0320089
PMID: https://pubmed.ncbi.nlm.nih.gov/40238912
تاريخ النشر: 2025-04-16
المؤلف: Riaz Ud Din وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم ورقة البحث إطار عمل ACB-XDE (مجموعة قرارات BiLSTM-XGB مخصصة للاهتمام) ، المصمم لتعزيز توقع أسعار إغلاق البيتكوين-الدولار الأمريكي (BTC-USD) اليومية في ظل التحديات التي تفرضها الطبيعة المضاربة والمتقلبة للأسواق المالية. يدمج هذا الإطار المبتكر نموذج Bi-directional Long Short-Term Memory (BiLSTM) المخصص مع آلية اهتمام جديدة وخوارزمية XGBoost. يلتقط BiLSTM المخصص الاعتماديات التسلسلية المعقدة والاتجاهات السوقية، بينما تعين آلية الاهتمام أوزانًا ديناميكية للميزات المهمة بناءً على أنماط التقلب، مما يحسن من قابلية التفسير ودقة التنبؤ. تساهم XGBoost في متانة النموذج من خلال إدارة العلاقات غير الخطية بشكل فعال. يستخدم الإطار طريقة تكرارية لتصحيح الأخطاء لتحسين التوقعات بشكل متكرر، مما يعزز في النهاية قدرات التعميم من خلال نهج الانحدار الجماعي.
تظهر التحقق التجريبي من إطار ACB-XDE، المطبق على مجموعة بيانات من Yahoo Finance تغطي الفترة من 1 أكتوبر 2014 إلى 8 يناير 2023، أدائه المتفوق مقارنة بالنماذج المتقدمة. حقق الإطار متوسط خطأ النسبة المطلقة (MAPE) بنسبة 0.37%، ومتوسط الخطأ المطلق (MAE) بقيمة 84.40، وجذر متوسط مربع الخطأ (RMSE) بقيمة 106.14، مما يمثل تحسينات كبيرة تبلغ حوالي 27.45% و53.32% و38.59% في هذه المقاييس مقارنة بأفضل نموذج BiLSTM مخصص للاهتمام. تؤكد النتائج فعالية إطار ACB-XDE في معالجة تعقيدات بيانات BTC-USD، مما يمهد الطريق لاتخاذ قرارات مستنيرة في بيئات مالية ديناميكية. ستستكشف الأبحاث المستقبلية تطبيق الإطار عبر مجموعات بيانات متنوعة وتضمين ميزات إضافية لتعزيز قدراته التنبؤية بشكل أكبر.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الدور الحاسم لسوق الأسهم في الاقتصاد العالمي والاعتماد المتزايد على النماذج التنبؤية في اتخاذ القرارات المالية. مع وجود أكثر من 13,000 عملة مشفرة وقيمة سوقية إجمالية تبلغ حوالي 2.32 تريليون دولار أمريكي، تظل البيتكوين لاعبًا مهيمنًا، حيث تمثل 54.8% من هذه السوق. تتأثر تقلبات سعر البيتكوين بديناميات العرض والطلب والظروف الاقتصادية الأوسع. تعاني طرق التنبؤ التقليدية، مثل التحليل الفني ونماذج السلاسل الزمنية الكلاسيكية مثل ARIMA، من قيود في التكيف مع الطبيعة المعقدة وغير الخطية للأسواق المالية. وبالتالي، ظهرت تقنيات التعلم الآلي (ML)، وخاصة أساليب التعلم العميق (DL) مثل شبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، كبدائل فعالة لالتقاط التفاعلات السوقية المعقدة وتحسين دقة التنبؤ.
تقترح الورقة إطار عمل مبتكر، ACB-XDE، الذي يدمج نموذج BiLSTM مخصص للاهتمام مع خوارزمية XGBoost لتعزيز توقع أسعار البيتكوين. يهدف هذا النهج الهجين إلى معالجة التحديات التي تفرضها أحجام التداول اليومية وأسعار الإغلاق، والتي غالبًا ما تتميز بالتقلب والضوضاء. من خلال الاستفادة من آلية الاهتمام، يعطي النموذج الأولوية للميزات المهمة، مما يحسن من قابلية التفسير والموثوقية للمستخدمين بمستويات خبرة متنوعة. تعزز عملية التحسين التكرارية لـ XGBoost دقة التنبؤ، مما يجعل إطار ACB-XDE أداة سهلة الاستخدام للمستثمرين والخبراء الماليين الذين يسعون للحصول على رؤى موثوقة وفي الوقت المناسب حول اتجاهات أسعار البيتكوين.
طرق
توضح قسم الطرق الإعداد التجريبي المستخدم لتقييم إطار ACB-XDE، موضحة عمليات جمع البيانات، والمعالجة المسبقة، وتدريب النموذج، وتكوين الأجهزة. تم إجراء سلسلة من المحاكاة المعتمدة على بايثون لتقييم أداء إطار ACB-XDE بدقة مقارنة بعدة نماذج توقع راسخة. تشمل هذه النماذج BiLSTM المخصص للاهتمام، وXGBoost، وLSTM، وLSTM المخصص للاهتمام، وBiLSTM، وBiLSTM المخصص للاهتمام، مما يوفر معيارًا شاملاً مقابل التقنيات المتقدمة في هذا المجال.
نتائج
يستعرض قسم النتائج سلسلة من التجارب التي أجريت لتقييم أداء إطار ACB-XDE المقترح باستخدام مجموعتين متميزتين من البيانات. تمتد مجموعة البيانات 1 من 1 أكتوبر 2014 إلى 7 نوفمبر 2022، بينما تغطي مجموعة البيانات 2 الفترة من 8 نوفمبر 2022 إلى 1 أغسطس 2023. تشمل كلا المجموعتين ميزات مثل أسعار فتح وإغلاق البيتكوين اليومية، وحجم التداول، ونطاقات الأسعار اليومية العليا والدنيا.
تضمنت المرحلة الأولية تدريب واختبار نماذج BiLSTM المخصص للاهتمام وXGBoost باستخدام مجموعة البيانات 1. تم حساب أخطاء التنبؤ لكل نموذج، وتم تقييم قدراتهم التنبؤية من خلال مقاييس الخطأ الرئيسية، كما هو موضح في الأشكال 12 و13. توفر هذه النتائج تحليلًا مقارنًا لأداء النماذج، مما يبرز فعالية إطار ACB-XDE في توقع تحركات أسعار البيتكوين.
مناقشة
تقدم ورقة البحث إطار عمل BiLSTM المخصص للاهتمام وXGBoost Ensemble (ACB-XDE)، الذي يهدف إلى تعزيز دقة توقع أسعار البيتكوين من خلال دمج تقنيات التعلم الآلي المتقدمة. يجمع إطار ACB-XDE بين نموذج BiLSTM المخصص للاهتمام وخوارزمية XGBoost المعدلة، مستفيدًا من كتلة اهتمام جديدة تعين ديناميكيًا أوزانًا للميزات الحرجة مثل أسعار الإغلاق اليومية وأحجام التداول. يسمح هذا الدمج للنموذج بالتقاط الاعتماديات التسلسلية المعقدة والاتجاهات السوقية بشكل فعال، مما يحسن من الأداء التنبؤي وقدرات التعميم.
يستخدم الإطار طريقة وزن تكرارية لتصحيح التنبؤات بشكل متكرر، مما يعين أهمية أكبر للنماذج ذات أخطاء التنبؤ الأقل. يخفف هذا النهج من قيود النماذج الفردية ويعزز دقة التنبؤ العامة. يظهر التحقق التجريبي على مجموعة بيانات BTC-USD أن إطار ACB-XDE يتفوق على التقنيات المتقدمة الموجودة، مما يعالج بشكل فعال التعقيدات والتقلبات المتأصلة في تحركات أسعار البيتكوين. توضح الورقة عمليات التدريب، وخطوات معالجة البيانات، ومنهجية التنبؤ الجماعي، مما يمهد الطريق لتوجهات البحث المستقبلية في توقعات المالية.
DOI: https://doi.org/10.1371/journal.pone.0320089
PMID: https://pubmed.ncbi.nlm.nih.gov/40238912
Publication Date: 2025-04-16
Author(s): Riaz Ud Din et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper presents the ACB-XDE (Attention-Customized BiLSTM-XGB Decision Ensemble) framework, designed to enhance the prediction of Bitcoin-USD (BTC-USD) daily closing prices amidst the challenges posed by the speculative and volatile nature of financial markets. This innovative framework integrates a customized Bi-directional Long Short-Term Memory (BiLSTM) model with a novel attention mechanism and the XGBoost algorithm. The customized BiLSTM captures complex sequential dependencies and market trends, while the attention mechanism dynamically assigns weights to significant features based on volatility patterns, improving interpretability and forecasting accuracy. XGBoost contributes to the model’s robustness by effectively managing nonlinear relationships. The framework employs an error reciprocal method to iteratively refine predictions, ultimately enhancing generalization capabilities through an ensemble regression approach.
Empirical validation of the ACB-XDE framework, applied to a dataset from Yahoo Finance covering the period from October 1, 2014, to January 8, 2023, demonstrates its superior performance compared to state-of-the-art models. The framework achieved a Mean Absolute Percentage Error (MAPE) of 0.37%, Mean Absolute Error (MAE) of 84.40, and Root Mean Square Error (RMSE) of 106.14, representing significant improvements of approximately 27.45%, 53.32%, and 38.59% in these metrics over the best-performing attention-BiLSTM model. The findings underscore the ACB-XDE framework’s effectiveness in addressing the complexities of BTC-USD data, paving the way for informed decision-making in dynamic financial environments. Future research will explore the framework’s application across diverse datasets and incorporate additional features to further enhance its predictive capabilities.
Introduction
The introduction of this research paper highlights the critical role of the stock market in the global economy and the increasing reliance on predictive models for financial decision-making. With over 13,000 cryptocurrencies and a total market value of approximately USD 2.32 trillion, Bitcoin remains a dominant player, accounting for 54.8% of this market. The volatility of Bitcoin’s price is influenced by supply-demand dynamics and broader economic conditions. Traditional forecasting methods, such as technical analysis and classical time series models like ARIMA, have limitations in adapting to the complex and non-linear nature of financial markets. Consequently, machine learning (ML) techniques, particularly deep learning (DL) approaches like Long Short-Term Memory (LSTM) networks, have emerged as effective alternatives for capturing intricate market interactions and improving prediction accuracy.
The paper proposes an innovative framework, ACB-XDE, which integrates an attention-customized BiLSTM model with the XGBoost algorithm to enhance Bitcoin price forecasting. This hybrid approach aims to address the challenges posed by daily trading volume and closing prices, which are often characterized by volatility and noise. By leveraging the attention mechanism, the model prioritizes significant features, thereby improving interpretability and reliability for users with varying levels of expertise. The iterative refinement process of XGBoost further enhances prediction accuracy, making the ACB-XDE framework a user-friendly tool for investors and financial experts seeking credible and timely insights into Bitcoin price trends.
Methods
The methods section outlines the experimental setup utilized to evaluate the ACB-XDE framework, detailing the processes of data collection, preprocessing, model training, and hardware configuration. A series of Python-based simulations are conducted to rigorously assess the performance of the ACB-XDE framework in comparison to several established forecasting models. These include the attention-customized BiLSTM, XGBoost, LSTM, attention-LSTM, BiLSTM, and attention-BiLSTM, thereby providing a comprehensive benchmark against state-of-the-art techniques in the field.
Results
The results section details a series of experiments conducted to evaluate the performance of the proposed ACB-XDE framework using two distinct datasets. Dataset 1 spans from October 1, 2014, to November 7, 2022, while Dataset 2 covers the period from November 8, 2022, to August 1, 2023. Both datasets include features such as Bitcoin’s daily opening and closing prices, trading volume, and daily high and low price ranges.
The initial phase involved training and testing the attention-customized BiLSTM and XGBoost models using Dataset 1. The prediction errors for each model were calculated, and their predictive capabilities were assessed through key error measures, as illustrated in Figures 12 and 13. These findings provide a comparative analysis of the models’ performance, highlighting the effectiveness of the ACB-XDE framework in forecasting Bitcoin price movements.
Discussion
The research paper presents the Attention-Customized BiLSTM and XGBoost Ensemble (ACB-XDE) framework, which aims to enhance the accuracy of Bitcoin price forecasting by integrating advanced machine learning techniques. The ACB-XDE framework combines an attention-customized Bidirectional Long Short-Term Memory (BiLSTM) model with a modified XGBoost algorithm, utilizing a novel attention block that dynamically assigns weights to critical features such as daily closing prices and trading volumes. This integration allows the model to effectively capture complex sequential dependencies and market trends, improving predictive performance and generalization capabilities.
The framework employs an error reciprocal weighting method to refine predictions iteratively, assigning greater importance to models with lower prediction errors. This approach mitigates the limitations of individual models and enhances overall prediction accuracy. Empirical validation on the BTC-USD dataset demonstrates that the ACB-XDE framework outperforms existing state-of-the-art techniques, effectively addressing the complexities and volatility inherent in Bitcoin price movements. The paper outlines the training processes, data preprocessing steps, and the ensemble prediction methodology, setting the stage for future research directions in financial forecasting.