DOI: https://doi.org/10.1038/s41598-023-50783-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38172568
تاريخ النشر: 2024-01-03
المؤلف: Qi Li وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه الدراسة نموذجًا هجينًا مبتكرًا يجمع بين البرمجة الجينية الرمزية (SGP) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتعزيز توقعات عوائد الأسعار العرضية لـ 4,500 سهم مدرج في السوق الصينية من 2014 إلى 2022. يعتمد النموذج على مجموعة بيانات Alpha Pool الخاصة بـ S&P للصين، مستخدمًا تقنيات تعزيز البيانات واستخراج الميزات. تشير النتائج إلى تحسينات كبيرة في الأداء التنبؤي، حيث زادت معامل معلومات الرتبة (Rank IC) ونسبة معلومات IC (ICIR) بنسبة 1128% و5360% على التوالي عند استخدام المؤشرات الأساسية. بالنسبة للمؤشرات الفنية، حقق النموذج زيادة بنسبة 206% في Rank IC و2752% في ICIR. بالإضافة إلى ذلك، تفوق نموذج SGP-LSTM الهجين على المؤشرات الرئيسية للأسهم الصينية، محققًا عوائد زائدة سنوية متوسطة قدرها 31.00% و24.48% و16.38% مقارنة بمؤشرات CSI 300 وCSI 500 ومتوسط محفظة المعايير.
تؤكد الدراسة على فعالية نموذج SGP-LSTM المقترح في معالجة تعقيدات توقع عوائد الأسهم، خاصة في ضوء الديناميات غير الخطية للسوق. على الرغم من التقدم في الذكاء الاصطناعي وتعلم الآلة، لا تزال التحديات قائمة في تحقيق توليد ألفا مستمر، وغالبًا ما تُعزى إلى قيود في المتغيرات المدخلة. تقترح الدراسة أن دمج مصادر بيانات متنوعة، مثل وسائل التواصل الاجتماعي والمؤشرات الاقتصادية الكلية، جنبًا إلى جنب مع تقنيات التحسين التي تتجاوز متوسط الخطأ التربيعي (MSE)، يمكن أن يعزز من قدرات النموذج التنبؤية. قد تستكشف الأعمال المستقبلية أيضًا دمج التعلم التعزيزي أو الشبكات التنافسية التوليدية (GANs) للاستفادة من المعلومات متعددة المصادر لتحسين دقة التوقعات.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على تطور وتحديات تطبيق تعلم الآلة، وخاصة الشبكات العصبية العميقة (DNNs)، في توقعات سوق الأسهم. تعود الجهود المبكرة في هذا المجال إلى عام 2006، لكن نماذج تعلم الآلة التقليدية تكافح مع مجموعات البيانات عالية الأبعاد، وغالبًا ما تستسلم لعنة الأبعاد. في المقابل، ظهرت شبكات الذاكرة طويلة وقصيرة المدى (LSTM) كخيار مفضل للتعامل مع بيانات السلاسل الزمنية المالية واسعة النطاق نظرًا لقدرتها على التخفيف من مشكلات مثل تلاشي التدرج. تشير الورقة إلى تقدم كبير، بما في ذلك تقديم نماذج LSTM لتوقعات سوق الأسهم وامتدادات متنوعة مثل تقنيات تحليل البيانات (مثل تحليل الوضع التجريبي) وطرق تقليل أبعاد البيانات (مثل تحليل المكونات الرئيسية).
يقترح المؤلفون إطار عمل جديد SGP-DNN يدمج البرمجة الجينية الرمزية (SGP) لتعزيز البيانات، مما يعزز عمليات اختيار واستخراج الميزات. يتكون هذا الإطار من أربع مراحل: معالجة البيانات المسبقة، تعزيز البيانات، تحويل العوامل المفلترة، واستخراج الميزات باستخدام LSTM. تؤكد الدراسة على أهمية معامل معلومات الرتبة (Rank IC) ونسبة معلومات IC (ICIR) كمقاييس لتقييم الدقة التنبؤية، خاصة في تشكيل المحفظة. يهدف المنهج المقترح إلى تحسين توقعات عوائد الأسهم من خلال الاستفادة من كل من المؤشرات الأساسية والفنية، مما يسهل في النهاية اتخاذ قرارات استثمارية أفضل من خلال تصنيف منهجي للأسهم بناءً على العوائد المتوقعة.
DOI: https://doi.org/10.1038/s41598-023-50783-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38172568
Publication Date: 2024-01-03
Author(s): Qi Li et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This research presents an innovative hybrid model that combines Symbolic Genetic Programming (SGP) with Long Short-Term Memory (LSTM) neural networks to enhance the forecasting of cross-sectional price returns for 4,500 stocks listed in the Chinese market from 2014 to 2022. The model leverages the S&P Alpha Pool Dataset for China, employing data augmentation and feature extraction techniques. The findings indicate substantial improvements in predictive performance, with the Rank Information coefficient (Rank IC) and IC information ratio (ICIR) increasing by 1128% and 5360%, respectively, when utilizing fundamental indicators. For technical indicators, the model achieved a 206% increase in Rank IC and a 2752% rise in ICIR. Additionally, the hybrid SGP-LSTM model outperformed major Chinese stock indexes, yielding average annualized excess returns of 31.00%, 24.48%, and 16.38% relative to the CSI 300, CSI 500, and average portfolio benchmarks.
The study underscores the effectiveness of the proposed SGP-LSTM model in addressing the complexities of stock return prediction, particularly in light of the non-linear dynamics of the market. Despite advancements in artificial intelligence and machine learning, challenges in achieving consistent alpha generation persist, often attributed to limitations in input variables. The research suggests that integrating diverse data sources, such as social media and macroeconomic indicators, along with optimization techniques beyond mean squared error (MSE), could further enhance the model’s predictive capabilities. Future work may also explore the incorporation of reinforcement learning or generative adversarial networks (GANs) to leverage multi-source information for improved forecasting accuracy.
Discussion
The discussion section of the research paper highlights the evolution and challenges of applying machine learning, particularly Deep Neural Networks (DNNs), in stock market prediction. Early efforts in this domain date back to 2006, but traditional machine learning models struggle with high-dimensional datasets, often succumbing to the curse of dimensionality. In contrast, Long Short-Term Memory (LSTM) networks have emerged as a preferred choice for handling large-scale financial time series data due to their ability to mitigate issues like gradient vanishing. The paper references significant advancements, including the introduction of LSTM models for stock market predictions and various extensions such as data decomposition techniques (e.g., Empirical Mode Decomposition) and data dimension reduction methods (e.g., Principal Component Analysis).
The authors propose a novel SGP-DNN framework that integrates symbolic genetic programming (SGP) for data augmentation, enhancing feature selection and extraction processes. This framework consists of four phases: data pre-processing, data augmentation, filtered factor transformation, and feature extraction using LSTM. The study emphasizes the importance of Rank Information Coefficient (Rank IC) and Information Ratio of IC (ICIR) as metrics for evaluating predictive accuracy, particularly in portfolio formation. The proposed methodology aims to improve stock return predictions by leveraging both fundamental and technical indicators, ultimately facilitating better investment decisions through a systematic ranking of stocks based on predicted returns.