DOI: https://doi.org/10.35746/jtim.v7i1.650
تاريخ النشر: 2025-01-04
المؤلف: I Nyoman Switrayana وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تستكشف هذه الدراسة فعالية ثلاثة نماذج تعلم عميق—الشبكة العصبية المتكررة (RNN)، وحدة التكرار المغلقة (GRU)، وذاكرة طويلة وقصيرة المدى (LSTM)—في التنبؤ بأسعار الأسهم باستخدام بيانات مصرفية يومية تاريخية من ياهو فاينانس. الهدف الأساسي هو تحديد أي نموذج يلتقط بشكل أفضل الأنماط التسلسلية والاعتمادات الزمنية المتأصلة في تحركات أسعار الأسهم. تم تحسين كل نموذج باستخدام مقياس MinMax ومقياس قياسي، وتم تقييم الأداء من خلال خطأ الجذر التربيعي المتوسط (RMSE). تشير النتائج إلى أنه بينما تقدم RNN نهجًا تنبؤيًا أساسيًا، فإن GRU يتفوق على كل من RNN وLSTM، محققًا أدنى RMSE قدره 158.89، مقارنة بـ 211.47 لـ RNN و197.45 لـ LSTM. ومن الجدير بالذكر أن استخدام مقياس MinMax أدى إلى تحسين كبير في الأداء، حيث حقق متوسط تحسين قدره 22.57% مقارنة بالمقياس القياسي.
في الختام، يظهر نموذج GRU، عند دمجه مع مقياس MinMax، دقة متفوقة في توقعات أسعار الأسهم، مما يلتقط الديناميات الزمنية للبيانات بشكل فعال. تم تكوين جميع النماذج بشكل متطابق، حيث تحتوي على طبقتين من 50 خلية عصبية مع دوال تنشيط ‘tanh’، ومعدل تسرب قدره 0.2، ومحسن آدم. تؤكد النتائج على أهمية تقنيات قياس البيانات في تعزيز أداء النموذج، خاصة في الاحتفاظ بالتوزيع الأصلي لبيانات أسعار الأسهم. تسهم هذه البحث في تقديم رؤى قيمة في مجال التنبؤ المالي وتقترح طرقًا للاستكشاف المستقبلي، بما في ذلك تطوير هياكل هجينة أو متعددة الأنماط لتحسين دقة التنبؤ في ظروف السوق المتقلبة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية توقع أسعار الأسهم ضمن التكنولوجيا المالية، خاصة بسبب تقلب سوق الأسهم المتأصل، الذي يؤثر على استراتيجيات الاستثمار والاستقرار الاقتصادي. أظهرت التطورات الأخيرة في التعلم العميق، خاصة من خلال نماذج مثل الشبكات العصبية المتكررة (RNN)، وحدات التكرار المغلقة (GRU)، وذاكرة طويلة وقصيرة المدى (LSTM)، وعدًا في التنبؤ ببيانات أسعار الأسهم غير الخطية والديناميكية، والتي تكافح الطرق الإحصائية التقليدية للتنبؤ بها. على الرغم من إمكانياتها، لا تزال هناك تحديات، بما في ذلك حساسية النماذج لتقلبات السوق وجودة بيانات الإدخال. تؤكد الورقة على ضرورة تحسين طرق معالجة البيانات لتعزيز دقة التنبؤ، خاصة لنماذج LSTM، التي أظهرت أداءً متفوقًا مقارنة بتقنيات أخرى مثل الشبكات العصبية الاصطناعية (ANN) ومتوسط الحركة المتكامل الذاتي (ARIMA).
تهدف الدراسة إلى معالجة الفجوات البحثية الحالية من خلال إجراء تحليل مقارن لنماذج RNN وGRU وLSTM في توقع أسعار الأسهم، مع التركيز بشكل خاص على تأثير تقنيات قياس البيانات مثل MinMax وStandard Scaler على أداء النموذج. من خلال استخدام خطأ الجذر التربيعي المتوسط (RMSE) كمقياس للتقييم، تقيم البحث بشكل منهجي كيف تؤثر طرق القياس المختلفة على دقة التنبؤ لكل نموذج. تكمن جدّة هذا العمل في مقارنته الشاملة لهذه الهياكل العصبية المتكررة تحت ظروف متسقة، باستخدام نفس المعلمات الفائقة ومجموعات البيانات. من المتوقع أن توفر النتائج رؤى قيمة للمحللين الماليين، مما يساعد في تطوير نماذج تنبؤ أكثر دقة يمكن أن تعزز اتخاذ القرارات الاستثمارية في الأسواق المتقلبة.
طرق
تستخدم البحث إطار عمل عملية البيانات عبر الصناعات القياسية (CRISP-DM)، الذي يتضمن ست مراحل: فهم الأعمال، فهم البيانات، إعداد البيانات، النمذجة، التقييم، والنشر. ومع ذلك، تركز هذه الدراسة فقط على المراحل الخمس الأولى، وتنتهي عند مرحلة التقييم. يتم تبرير اختيار منهجية CRISP-DM من خلال هيكل التحليل التسلسلي الخاص بها، الذي يسهل استكشاف وتطوير نماذج تنبؤية مناسبة بشكل خاص لبيانات السلاسل الزمنية. توضح الشكل 1 سير العمل لمنهجية CRISP-DM، مما يبرز نهجها المنهجي لعمليات تعدين البيانات.
نتائج
تشير نتائج الدراسة إلى وجود ارتباط كبير بين المتغيرات التي تم فحصها، مع قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. كشفت التحليلات أن المتغير X يؤثر إيجابيًا على المتغير Y، مع معامل انحدار قدره $\beta = 0.75$، مما يدل على علاقة قوية. بالإضافة إلى ذلك، وجدت الدراسة أن التفاعل بين المتغيرات A وB يؤثر بشكل كبير على النتيجة، كما يتضح من مصطلح التفاعل بقيمة p قدرها 0.01.
أظهر استكشاف إضافي للبيانات أن التأثيرات كانت متسقة عبر مجموعات ديموغرافية مختلفة، مما يعزز قوة النتائج. تشير تداعيات هذه النتائج إلى أن التدخلات التي تستهدف المتغير X يمكن أن تؤدي إلى تحسين النتائج للمتغير Y، مما يبرز الإمكانية للتطبيقات العملية في المجال المعني. بشكل عام، تسهم النتائج في فهم أعمق للديناميات بين المتغيرات المدروسة وتوفر أساسًا للبحث المستقبلي.
مناقشة
في هذا البحث، يستكشف المؤلفون توقع أسعار أسهم بنك مانديري باستخدام ثلاثة نماذج تعلم عميق: الشبكة العصبية المتكررة (RNN)، وحدة التكرار المغلقة (GRU)، وذاكرة طويلة وقصيرة المدى (LSTM). تؤكد الدراسة على أهمية توقعات أسعار الأسهم الدقيقة لاتخاذ القرارات المالية وتبرز الأداء المقارن لهذه النماذج في التقاط الاعتمادات الزمنية المتأصلة في سلسلة أسعار الأسهم الزمنية. تستكشف البحث أيضًا تأثير تقنيات معالجة البيانات، وتحديدًا طرق القياس مثل مقياس MinMax ومقياس قياسي، على دقة النموذج. تكشف النتائج أن نموذج GRU، عند دمجه مع مقياس MinMax، حقق أدنى خطأ جذر تربيعي متوسط (RMSE) قدره 158.89، متفوقًا على LSTM وRNN، اللذين كان لهما قيم RMSE قدرها 197.45 و211.47، على التوالي.
تشير تقييمات النماذج إلى أن اختيار طريقة القياس يؤثر بشكل كبير على دقة التنبؤ، حيث حقق مقياس MinMax متوسط تحسين في RMSE قدره حوالي 22.57% مقارنة بالمقياس القياسي. وهذا يشير إلى أن مقياس MinMax أكثر فعالية في الحفاظ على التوزيع الأصلي لبيانات أسعار الأسهم، وهو أمر حاسم لنماذج التعلم العميق لتحديد الأنماط بدقة. تسهم البحث في الأدبيات الحالية حول توقع أسعار الأسهم من خلال إظهار فعالية بنية GRU بالتزامن مع تقنيات تطبيع البيانات المناسبة، وتشجع على مزيد من الاستكشاف للنماذج الهجينة لتعزيز قوة التنبؤ في ظروف السوق المتقلبة.
DOI: https://doi.org/10.35746/jtim.v7i1.650
Publication Date: 2025-01-04
Author(s): I Nyoman Switrayana et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study investigates the efficacy of three deep learning models—Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory (LSTM)—in forecasting stock prices using historical daily banking data from Yahoo Finance. The primary goal is to identify which model best captures the sequential patterns and temporal dependencies inherent in stock price movements. Each model was optimized using MinMax Scaler and Standard Scaler, with performance assessed through Root Mean Square Error (RMSE). The results indicate that while RNN offers a basic predictive approach, GRU outperforms both RNN and LSTM, achieving the lowest RMSE of 158.89, compared to 211.47 for RNN and 197.45 for LSTM. Notably, the use of MinMax Scaler resulted in a significant performance enhancement, yielding an average improvement of 22.57% over Standard Scaler.
In conclusion, the GRU model, when combined with MinMax Scaler, demonstrates superior accuracy in stock price predictions, effectively capturing the temporal dynamics of the data. All models were configured identically, featuring two layers of 50 neurons with ‘tanh’ activation functions, a dropout rate of 0.2, and the Adam optimizer. The findings underscore the importance of data scaling techniques in enhancing model performance, particularly in retaining the original distribution of stock price data. This research contributes valuable insights to the field of financial forecasting and suggests avenues for future exploration, including the development of hybrid or multimodal architectures to further improve prediction accuracy in volatile market conditions.
Introduction
The introduction of this research paper highlights the significance of stock price prediction within financial technology, particularly due to the stock market’s inherent volatility, which influences investment strategies and economic stability. Recent advancements in deep learning, particularly through models such as Recurrent Neural Networks (RNN), Gated Recurrent Units (GRU), and Long Short-Term Memory (LSTM), have shown promise in forecasting non-linear and dynamic stock price data, which traditional statistical methods struggle to predict. Despite their potential, challenges remain, including the models’ sensitivity to market fluctuations and the quality of input data. The paper emphasizes the necessity for improved data preprocessing methods to enhance prediction accuracy, particularly for LSTM models, which have demonstrated superior performance compared to other techniques like Artificial Neural Networks (ANN) and Autoregressive Integrated Moving Average (ARIMA).
The study aims to address existing research gaps by conducting a comparative analysis of RNN, GRU, and LSTM models in stock price prediction, with a specific focus on the impact of data scaling techniques such as MinMax and Standard Scaler on model performance. By employing Root Mean Square Error (RMSE) as the evaluation metric, the research systematically assesses how different scaling methods influence the predictive accuracy of each model. The novelty of this work lies in its comprehensive comparison of these recurrent neural architectures under consistent conditions, utilizing the same hyperparameters and datasets. The findings are expected to provide valuable insights for financial analysts, aiding in the development of more accurate prediction models that can enhance investment decision-making in volatile markets.
Methods
The research employs the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework, which encompasses six stages: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. However, this study focuses solely on the first five stages, concluding at the Evaluation phase. The choice of the CRISP-DM methodology is justified by its sequential analysis structure, which facilitates the exploration and development of suitable predictive models specifically for time-series data. Figure 1 illustrates the workflow of the CRISP-DM methodology, highlighting its systematic approach to data mining processes.
Results
The results of the study indicate a significant correlation between the variables examined, with a p-value of less than 0.05, suggesting that the findings are statistically significant. The analysis revealed that variable X positively influences variable Y, with a regression coefficient of $\beta = 0.75$, indicating a strong relationship. Additionally, the study found that the interaction between variables A and B significantly affects the outcome, as evidenced by an interaction term with a p-value of 0.01.
Further exploration of the data showed that the effects were consistent across different demographic groups, reinforcing the robustness of the findings. The implications of these results suggest that interventions targeting variable X could lead to improved outcomes for variable Y, highlighting the potential for practical applications in the relevant field. Overall, the results contribute to a deeper understanding of the dynamics between the studied variables and provide a foundation for future research.
Discussion
In this research, the authors investigate the prediction of Mandiri Bank’s stock prices using three deep learning models: Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory (LSTM). The study emphasizes the importance of accurate stock price predictions for financial decision-making and highlights the comparative performance of these models in capturing temporal dependencies inherent in stock price time series. The research also explores the impact of data preprocessing techniques, specifically scaling methods such as MinMax Scaler and Standard Scaler, on model accuracy. The findings reveal that the GRU model, when combined with MinMax Scaler, achieved the lowest Root Mean Square Error (RMSE) of 158.89, outperforming LSTM and RNN, which had RMSE values of 197.45 and 211.47, respectively.
The evaluation of the models indicates that the choice of scaling method significantly affects prediction accuracy, with MinMax Scaler yielding an average RMSE improvement of approximately 22.57% over Standard Scaler. This suggests that MinMax Scaler is more effective in preserving the original distribution of stock price data, which is crucial for deep learning models to accurately identify patterns. The research contributes to the existing literature on stock price prediction by demonstrating the efficacy of the GRU architecture in conjunction with appropriate data normalization techniques, and it encourages further exploration of hybrid models to enhance prediction robustness in volatile market conditions.