DOI: https://doi.org/10.1371/journal.pone.0330324
PMID: https://pubmed.ncbi.nlm.nih.gov/40864635
تاريخ النشر: 2025-08-27
المؤلف: Huiyong Wu وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه الدراسة نموذج توقع هجين يسمى GA-WOA-LSTM، والذي يجمع بين الخوارزمية الجينية (GA)، وخوارزمية تحسين الحيتان (WOA)، والشبكات العصبية الذاكرة الطويلة القصيرة (LSTM) لتعزيز توقعات سوق الأسهم. يتم استخدام GA لتحسين المعلمات العالمية لـ LSTM، بينما تقوم WOA بتحسين البحث محليًا، مما يعالج تعقيدات بيانات سوق الأسهم غير الخطية والديناميكية. يتم تقييم فعالية النموذج باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ النسبي المطلق (MAPE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد ($R^2$)، مما يظهر أداءً متفوقًا مقارنة بالنماذج التقليدية مثل BP وCNN وRNN وخوارزميات التحسين المستقلة.
على الرغم من نتائجه الواعدة، فإن نموذج GA-WOA-LSTM له قيود، لا سيما اعتماده على بيانات الأسعار التاريخية دون الأخذ في الاعتبار العوامل الخارجية مثل الظروف الاقتصادية الكلية ومشاعر السوق. تشمل اتجاهات البحث المستقبلية دمج متغيرات إضافية، مثل تحليل مشاعر الأخبار، لتعزيز دقة التوقع. علاوة على ذلك، قد يتضمن معالجة القضايا المحتملة المتعلقة بكيفية تعامل LSTM مع بيانات السلاسل الزمنية الطويلة استكشاف هياكل التعلم العميق البديلة مثل وحدات الذاكرة المتكررة المغلقة (GRU) أو المحولات. بشكل عام، يظهر نموذج GA-WOA-LSTM إمكانات كبيرة لتحسين توقعات سوق الأسهم، مما يقدم رؤى قيمة للمستثمرين والمؤسسات المالية.
مقدمة
تسلط مقدمة الورقة الضوء على التعقيدات المرتبطة بتوقع أسعار سوق الأسهم، والتي تتأثر بالعوامل الاقتصادية والخارجية، مما يؤدي إلى تقلبات سعرية غير خطية وغير ثابتة. تُلاحظ الطرق التقليدية للتوقع، مثل نماذج التباين الشرطي التلقائي العام (GARCH) ومتوسط الحركة المتكامل التلقائي (ARIMA)، لقيودها في التقاط هذه التعقيدات. بالمقابل، أظهرت التقدمات في الذكاء الاصطناعي، وخاصة من خلال تقنيات التعلم الآلي مثل الشبكات العصبية المتكررة (RNN) والشبكات العصبية الذاكرة الطويلة القصيرة (LSTM)، وعدًا في تحسين دقة التوقع من خلال التعامل بفعالية مع عدم الخطية وعدم الثبات في أسعار الأسهم.
تقترح الورقة نموذج توقع هجين جديد يجمع بين الخوارزمية الجينية (GA)، وخوارزمية تحسين الحيتان (WOA)، وشبكات LSTM. يهدف هذا النموذج إلى الاستفادة من نقاط القوة في خوارزميات التحسين الذكية جنبًا إلى جنب مع التعلم العميق لتعزيز قدرات التوقع. على وجه التحديد، يتم استخدام GA لقدرات البحث العالمية الخاصة به لتحسين معلمات LSTM، بينما تقوم WOA بتحسين هذه المعلمات محليًا، مما يحسن من قدرة النموذج على التكيف في البيئات المالية الديناميكية. تم تصميم دمج GA وWOA لتحقيق توازن بين الاستكشاف والاستغلال، مما يعالج أوجه القصور في الطرق التقليدية. تشير النتائج التجريبية إلى أن هذه البنية GA-WOA-LSTM تعزز بشكل كبير دقة التوقع والاستقرار في توقعات سوق الأسهم، مما يقدم نهجًا واعدًا لنمذجة البيانات المالية المعقدة.
النتائج
تظهر نتائج الدراسة فعالية نموذج GA-WOA-LSTM في توقع أسعار إغلاق الأسهم مقارنة بستة نماذج أخرى: BP وCNN وRNN وLSTM وWOA-LSTM وGA-LSTM. تم تقييم النماذج باستخدام معايير مثل MAE وRMSE وMAPE وR²، حيث حقق نموذج GA-WOA-LSTM أدنى متوسط خطأ مطلق (MAE) قدره 0.0968 وقيمة R² عالية قدرها 0.9881 على مجموعة التدريب، مما يشير إلى أداء تنبؤي متفوق. يتسق هذا الاتجاه عبر مختلف الأسهم، كما هو موضح في الجدول 4 والأشكال المرفقة، حيث تفوق GA-WOA-LSTM باستمرار على النماذج الأخرى في كل من مراحل التدريب والاختبار.
تشير النتائج إلى أن نموذج GA-WOA-LSTM لا يظهر فقط أخطاء توقع منخفضة، ولكنه أيضًا يظهر درجة عالية من الملاءمة، مما يجعله أداة عملية لتوقع أسعار الأسهم. إن قدرته على التقاط الاتجاهات قصيرة المدى في أسعار الإغلاق بفعالية تضعه كموارد قيمة للمستثمرين الذين يسعون للحصول على دعم موثوق في اتخاذ القرارات في سوق الأسهم. بشكل عام، تؤكد النتائج على إمكانات النموذج في تعزيز دقة التوقع في التنبؤات المالية.
المناقشة
في هذا القسم، تناقش البحث الأسس النظرية والنماذج المستخدمة في نموذج التوقع الهجين المقترح، GA-WOA-LSTM، الذي يجمع بين الخوارزمية الجينية (GA)، وخوارزمية تحسين الحيتان (WOA)، والشبكات العصبية الذاكرة الطويلة القصيرة (LSTM). تحاكي GA التطور البيولوجي لتحسين الحلول من خلال آليات مثل الاختيار، والتقاطع، والطفرات، مما يجعلها فعالة لمشاكل التحسين المعقدة. تعزز WOA، المستوحاة من سلوك صيد الحيتان الحدباء، قدرات البحث العالمية مع تجنب الأمثل المحلية من خلال استراتيجيات مثل محاصرة الفريسة والهجوم بشبكة الفقاعات. تتعامل LSTM مع التحديات في معالجة التسلسلات الطويلة من خلال استخدام آلية بوابة تحتفظ بالمعلومات المهمة، مما يجعلها تتفوق في توقع السلاسل الزمنية.
يهدف نموذج GA-WOA-LSTM إلى تحسين دقة توقع أسعار الأسهم من خلال الاستفادة من نقاط القوة في كل من خوارزميات التحسين وهندسة LSTM. يتضمن بناء النموذج تعريف مساحات المعلمات لـ LSTM، واستخدام GA لاستكشاف هذه المعلمات عالميًا، وتحسين أفضل المرشحين باستخدام WOA للتحسين المحلي. تؤكد التحليل التجريبي على النموذج مقابل بيانات الأسهم التاريخية، مما يظهر أداءً متفوقًا مقارنة بالطرق التقليدية للتوقع واستراتيجيات التحسين الفردية. تسلط النتائج الضوء على متانة النموذج وقدرته على التكيف مع تقلبات السوق، بينما تقترح أيضًا طرقًا للبحث المستقبلي، مثل دمج المتغيرات الخارجية واستكشاف هياكل التعلم العميق البديلة لتعزيز قدرات الذاكرة طويلة الأجل.
DOI: https://doi.org/10.1371/journal.pone.0330324
PMID: https://pubmed.ncbi.nlm.nih.gov/40864635
Publication Date: 2025-08-27
Author(s): Huiyong Wu et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study introduces a hybrid forecasting model named GA-WOA-LSTM, which combines Genetic Algorithm (GA), Whale Optimization Algorithm (WOA), and Long Short-Term Memory (LSTM) neural networks to enhance stock market prediction. The GA is utilized for global hyperparameter optimization of the LSTM, while the WOA refines the search locally, addressing the complexities of nonlinear and dynamic stock market data. The model’s efficacy is assessed using metrics such as Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), and the coefficient of determination ($R^2$), demonstrating superior performance compared to traditional models like BP, CNN, RNN, and standalone optimization algorithms.
Despite its promising results, the GA-WOA-LSTM model has limitations, notably its reliance on historical price data without accounting for external factors such as macroeconomic conditions and market sentiment. Future research directions include integrating additional variables, such as news sentiment analysis, to enhance prediction accuracy. Moreover, addressing potential issues related to LSTM’s handling of long time series data could involve exploring alternative deep learning architectures like Gated Recurrent Units (GRU) or Transformers. Overall, the GA-WOA-LSTM model shows significant potential for improving stock market forecasting, offering valuable insights for investors and financial institutions.
Introduction
The introduction of the paper highlights the complexities involved in predicting stock market prices, which are influenced by both economic and external factors, leading to non-linear and non-stationary price fluctuations. Traditional forecasting methods, such as the Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) and Autoregressive Integrated Moving Average (ARIMA) models, are noted for their limitations in capturing these complexities. In contrast, advancements in artificial intelligence, particularly through machine learning techniques like Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks, have shown promise in improving predictive accuracy by effectively handling non-linearity and non-stationarity in stock prices.
The paper proposes a novel hybrid forecasting model that integrates the Genetic Algorithm (GA), Whale Optimization Algorithm (WOA), and LSTM networks. This model aims to leverage the strengths of intelligent optimization algorithms alongside deep learning to enhance prediction capabilities. Specifically, GA is utilized for its global search capabilities to optimize LSTM hyperparameters, while WOA refines these parameters locally, thus improving the model’s adaptability in dynamic financial environments. The integration of GA and WOA is designed to balance exploration and exploitation, addressing the shortcomings of traditional methods. Experimental results indicate that this GA-WOA-LSTM architecture significantly enhances prediction accuracy and stability in stock market forecasting, presenting a promising approach for modeling complex financial data.
Results
The results of the study demonstrate the effectiveness of the GA-WOA-LSTM model in predicting closing stock prices compared to six other models: BP, CNN, RNN, LSTM, WOA-LSTM, and GA-LSTM. The models were evaluated using parameters such as MAE, RMSE, MAPE, and R², with the GA-WOA-LSTM model achieving the lowest mean absolute error (MAE) of 0.0968 and a high R² value of 0.9881 on the training set, indicating superior predictive performance. This trend is consistent across various stocks, as shown in Table 4 and accompanying figures, where GA-WOA-LSTM consistently outperformed the other models in both training and testing phases.
The findings suggest that the GA-WOA-LSTM model not only exhibits low prediction errors but also demonstrates a high degree of fit, making it a practical tool for stock price prediction. Its ability to effectively capture short-term closing price trends positions it as a valuable resource for investors seeking reliable decision support in the stock market. Overall, the results affirm the model’s potential in enhancing predictive accuracy in financial forecasting.
Discussion
In this section, the research discusses the theoretical foundations and models utilized in the proposed hybrid forecasting model, GA-WOA-LSTM, which integrates Genetic Algorithm (GA), Whale Optimization Algorithm (WOA), and Long Short-Term Memory (LSTM) neural networks. The GA mimics biological evolution to optimize solutions through mechanisms such as selection, crossover, and mutation, making it effective for complex optimization problems. WOA, inspired by the hunting behavior of humpback whales, enhances global search capabilities while avoiding local optima through strategies like encircling prey and bubble-net attacking. LSTM addresses challenges in processing long sequences by employing a gating mechanism that retains important information, thus excelling in time series forecasting.
The GA-WOA-LSTM model aims to improve stock price prediction accuracy by leveraging the strengths of both optimization algorithms and the LSTM architecture. The model’s construction involves defining hyperparameter spaces for LSTM, utilizing GA for global exploration of these parameters, and refining the best candidates with WOA for local optimization. The empirical analysis validates the model against historical stock data, demonstrating superior performance compared to traditional forecasting methods and single optimization strategies. The findings highlight the model’s robustness and adaptability to market volatility, while also suggesting avenues for future research, such as incorporating external variables and exploring alternative deep learning architectures to enhance long-term memory capabilities.