DOI: https://doi.org/10.1186/s40537-025-01127-4
تاريخ النشر: 2025-03-26
المؤلف: Zhixin Zhang وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم ورقة البحث نموذجًا جديدًا لتوقع أسعار الأسهم، يُسمى نموذج تحليل الوضع المتغير-الرسم البياني المفلتر بشكل مثلثي-ذاكرة طويلة وقصيرة الأجل (VMD-TMFG-LSTM)، مصممًا لتعزيز دقة التنبؤ، والاستقرار، والكفاءة الحسابية في سياق الطبيعة غير الخطية والمعقدة للغاية لأسواق الأسهم. غالبًا ما تفشل الطرق الإحصائية التقليدية، على الرغم من فعاليتها للبيانات الخطية، في التقاط الديناميات المعقدة لحركات أسعار الأسهم. يعالج النموذج المقترح هذه القيود من خلال استخدام تحليل الوضع المتغير (VMD) أولاً لتفكيك سلاسل زمنية لأسعار الأسهم إلى وظائف وضع داخلية سلسة (IMFs)، مما يقلل من تعقيد البيانات ويخفف من الضوضاء. ثم يتم استخدام خوارزمية TMFG لاختيار الميزات، مما يبسط البيانات المدخلة ويسرع من التقارب. أخيرًا، تتم معالجة الميزات المفلترة من خلال شبكة ذاكرة طويلة وقصيرة الأجل (LSTM).
تشير النتائج التجريبية إلى أن نموذج VMD-TMFG-LSTM يتفوق بشكل كبير على العديد من نماذج التنبؤ التقليدية والمعاصرة، بما في ذلك ARIMA، والشبكات العصبية، وتكوينات LSTM المختلفة. على سبيل المثال، في توقع أسعار الإغلاق لشركة مطار شنغهاي الدولي المحدودة (sh600009)، حقق النموذج انخفاضًا بنسبة 69.76% في خطأ الجذر التربيعي المتوسط (RMSE) وانخفاضًا بنسبة 71.41% في خطأ القيمة المطلقة المتوسطة (MAE)، إلى جانب تحسين ملحوظ في قيم R-squared (R²). تشير النتائج إلى أن دمج خوارزمية TMFG يعزز من وقت تشغيل النموذج ودقته التنبؤية، مما يثبت أن نموذج VMD-TMFG-LSTM هو حل قوي لتوقع أسعار الأسهم. قد تتضمن الأعمال المستقبلية دمج مشاعر المستثمرين لتحسين نتائج التنبؤ بشكل أكبر.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتوقع أسعار الأسهم باستخدام نموذج TMFG-VMD-LSTM. يتم توضيح العملية في الشكل 1 وتتكون من خمسة مكونات رئيسية. لتقييم صلاحية النموذج وقوته، يتم إجراء التنبؤات لأربعة أسهم إضافية من بورصة شنغهاي (SSE) تحت ظروف تجريبية متطابقة مع تلك المستخدمة في التحليل الأساسي. تهدف هذه الطريقة إلى ضمان موثوقية تنبؤات النموذج عبر مجموعات بيانات الأسهم المختلفة.
نتائج
تشير نتائج الدراسة إلى أن نموذج VMD-TMFG-LSTM المقترح يتفوق بشكل كبير على نماذج المعايير ونماذج الإزالة المختلفة في توقع أسعار الأسهم. على وجه التحديد، يظهر دقة تنبؤية متفوقة، محققًا أقل خطأ تربيعي متوسط (MSE) وأعلى كفاءة حسابية، خاصة خلال فترات تقلبات أسعار الأسهم الشديدة. تكشف التحليلات أن النماذج التقليدية مثل ARIMA تواجه صعوبة مع العلاقات غير الخطية وتفشل في التكيف مع التغيرات السريعة، بينما تظهر نماذج CNN وDNN أيضًا قيودًا في التقاط الاعتماديات طويلة الأجل وديناميات السلاسل الزمنية. يظهر نموذج LSTM الأساسي، على الرغم من قدرته على التقاط الاتجاهات جزئيًا، فعالية أقل خلال الفترات المتقلبة.
يستفيد نموذج VMD-TMFG-LSTM من نقاط القوة لكل من تحليل الوضع المتغير (VMD) لاستخراج الميزات الدقيقة وخوارزمية TMFG لتقليل الضوضاء، مما يؤدي إلى تعزيز الاستقرار التنبؤي. تكشف المقارنات الكمية أن نموذج VMD-TMFG-LSTM يقلل من RMSE بنسبة 69.76% وMAE بنسبة 71.41% مقارنة بنموذج LSTM الأساسي، بينما يحسن أيضًا معامل التحديد (R²) بمقدار 0.2184 ويقلل من وقت التشغيل بنسبة 46.28%. بالمقارنة مع نماذج أخرى، بما في ذلك ARIMA وNN وDNN وCNN، يحقق نموذج VMD-TMFG-LSTM باستمرار أفضل مقاييس الأداء، مما يبرز فعاليته كحل قوي لنمذجة السلاسل الزمنية غير الخطية المعقدة في الأسواق المالية.
مناقشة
تستعرض قسم المناقشة في الورقة تقنيات التنبؤ المختلفة لبيانات الأسهم، مصنفة إياها إلى طرق إحصائية تقليدية وغير تقليدية. تعتمد النماذج التقليدية، مثل المتوسط المتحرك الذاتي (ARIMA) والتباين الشرطي الذاتي العام (GARCH)، على افتراضات التوزيع الطبيعي والعلاقات الخطية، التي غالبًا ما تفشل في التقاط الطبيعة غير الخطية والمعقدة لبيانات السلاسل الزمنية المالية. في المقابل، أظهرت الطرق غير التقليدية، وخاصة تقنيات التعلم الآلي والتعلم العميق مثل آلات الدعم الشعاعي (SVM) وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، أداءً متفوقًا في توقع أسعار الأسهم من خلال نمذجة هذه التعقيدات بشكل فعال.
تسلط الورقة الضوء على عدة تقدمات في تطبيقات LSTM، بما في ذلك دمج آليات الانتباه والنماذج الهجينة التي تجمع بين LSTM وتقنيات تحليل البيانات مثل تحليل الوضع المتغير (VMD). أدت هذه الابتكارات إلى تحسين دقة التنبؤ والاستقرار عبر أسواق الأسهم المختلفة. بالإضافة إلى ذلك، يتم مناقشة خوارزمية الرسم البياني المفلتر بشكل مثلثي (TMFG) لقدرتها على تحليل مجموعات البيانات المعقدة وتحديد العلاقات المهمة بين المتغيرات، مما يعزز اختيار الميزات لتوقع أسعار الأسهم. بشكل عام، تؤكد النتائج على أهمية اعتماد تقنيات إحصائية متقدمة وتقنيات تعلم الآلة لتحسين دقة وموثوقية توقعات سوق الأسهم.
DOI: https://doi.org/10.1186/s40537-025-01127-4
Publication Date: 2025-03-26
Author(s): Zhixin Zhang et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper presents a novel stock price forecasting model, termed the Variational Mode Decomposition-Triangulated Maximally Filtered Graph-Long Short-Term Memory (VMD-TMFG-LSTM) model, designed to enhance prediction accuracy, stability, and computational efficiency in the context of the highly nonlinear and complex nature of stock markets. Traditional statistical methods, while effective for linear data, often fail to capture the intricate dynamics of stock price movements. The proposed model addresses these limitations by first employing Variational Mode Decomposition (VMD) to decompose stock price time series into smooth intrinsic mode functions (IMFs), thereby reducing data complexity and mitigating noise. The TMFG algorithm is then utilized for feature selection, which simplifies the input data and accelerates convergence. Finally, the filtered features are processed through a Long Short-Term Memory (LSTM) network.
Experimental results indicate that the VMD-TMFG-LSTM model significantly outperforms several traditional and contemporary forecasting models, including ARIMA, Neural Networks, and various LSTM configurations. For instance, in predicting the closing prices of Shanghai International Airport Co., Ltd. (sh600009), the model achieved a 69.76% reduction in Root Mean Squared Error (RMSE) and a 71.41% reduction in Mean Absolute Error (MAE), alongside a notable improvement in R-squared (R²) values. The findings suggest that the integration of the TMFG algorithm enhances the model’s runtime and predictive accuracy, establishing the VMD-TMFG-LSTM model as a robust solution for stock price forecasting. Future work may involve incorporating investor sentiment to further refine prediction outcomes.
Methods
In this section, the authors outline the methodology employed for stock price prediction using the TMFG-VMD-LSTM model. The process is illustrated in Figure 1 and comprises five key components. To assess the model’s validity and robustness, predictions are made for an additional four stocks from the Shanghai Stock Exchange (SSE) under identical experimental conditions as those used in the primary analysis. This approach aims to ensure the reliability of the model’s predictions across different stock datasets.
Results
The results of the study indicate that the proposed VMD-TMFG-LSTM model significantly outperforms various benchmark and ablation models in stock price prediction. Specifically, it demonstrates superior predictive accuracy, achieving the lowest mean squared error (MSE) and highest computational efficiency, particularly during periods of extreme stock price fluctuations. The analysis reveals that traditional models like ARIMA struggle with nonlinear relationships and fail to adapt to rapid changes, while CNN and DNN models also exhibit limitations in capturing long-term dependencies and time-series dynamics. The baseline LSTM model, although capable of partially capturing trends, shows reduced effectiveness during volatile periods.
The VMD-TMFG-LSTM model leverages the strengths of both the Variational Mode Decomposition (VMD) for fine-grained feature extraction and the TMFG algorithm for noise reduction, resulting in enhanced predictive stability. Quantitative comparisons reveal that the VMD-TMFG-LSTM model reduces RMSE by 69.76% and MAE by 71.41% compared to the baseline LSTM model, while also improving the coefficient of determination (R²) by 0.2184 and decreasing runtime by 46.28%. In comparison to other models, including ARIMA, NN, DNN, and CNN, the VMD-TMFG-LSTM consistently achieves the best performance metrics, underscoring its effectiveness as a robust solution for modeling complex nonlinear time series in financial markets.
Discussion
The discussion section of the paper reviews various forecasting techniques for stock data, categorizing them into traditional and non-traditional statistical methods. Traditional models, such as Autoregressive Moving Average (ARIMA) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH), rely on assumptions of normal distribution and linear relationships, which often fail to capture the nonlinear and complex nature of financial time series data. In contrast, non-traditional methods, particularly machine learning and deep learning techniques like Support Vector Machines (SVM) and Long Short-Term Memory (LSTM) networks, have demonstrated superior performance in predicting stock prices by effectively modeling these complexities.
The paper highlights several advancements in LSTM applications, including the integration of attention mechanisms and hybrid models that combine LSTM with data decomposition techniques like Variational Mode Decomposition (VMD). These innovations have led to improved prediction accuracy and stability across various stock markets. Additionally, the Triangulated Maximally Filtered Graph (TMFG) algorithm is discussed for its ability to analyze complex datasets and identify significant relationships among variables, enhancing feature selection for stock price prediction. Overall, the findings underscore the importance of adopting advanced statistical and machine learning techniques to improve the accuracy and reliability of stock market forecasts.