DOI: https://doi.org/10.54254/2755-2721/87/20241562
تاريخ النشر: 2024-07-31
المؤلف: Haotian Zheng وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تستكشف هذه الورقة دور التعلم الآلي في تحليل السلاسل الزمنية المالية، وخاصة في التنبؤ بالاتجاهات في أسهم الشركات المالية والبيانات الاقتصادية. تميز بين أنواع الأسهم المختلفة وتناقش استراتيجيات إدارة المخاطر داخل سوق الأسهم. تقيم الورقة الأساليب الإحصائية التقليدية، مثل ARIMA والتنعيم الأسي، مع تسليط الضوء على نقاط قوتها وضعفها في التنبؤ الاقتصادي. ثم تؤكد على مزايا تقنيات التعلم الآلي، وخاصة الشبكات العصبية الذاكرة الطويلة القصيرة (LSTM) ونماذج CNN-BiLSTM الهجينة، التي تتميز بقدرتها على التقاط الأنماط غير الخطية في الأسواق المتقلبة. يقترح المؤلفون إطارًا نظريًا ومنهجيًا يهدف إلى تعزيز دقة وموثوقية التنبؤات الاقتصادية من خلال التعلم الآلي.
في الختام، تحذر الورقة من أن التنبؤات قصيرة الأجل لأسعار الأسهم قد تشجع سلوك المستثمرين قصيري النظر، مما يمكن أن يزعزع استقرار السوق ويعيق النمو المستدام. تدعو إلى تطوير نماذج تنبؤ قوية على المدى الطويل تأخذ في الاعتبار عوامل التأثير المختلفة، متجاوزة التقلبات السوقية الفورية لتعزيز بيئة أكثر استقرارًا وقابلية للتنبؤ. يشدد المؤلفون على أهمية تحسين المؤسسات السوقية في سياق الإصلاحات المستمرة في أسواق رأس المال الصينية، مما يبرز الحاجة إلى نهج متوازن يعزز ثقة المستثمرين على المدى الطويل ومرونة الاقتصاد.
مقدمة
تستعرض مقدمة ورقة البحث الخصائص الأساسية للأسهم، والتي هي حصص ملكية في الشركات تمنح حامليها حقوقًا في الأرباح المتبقية والأصول بعد الوفاء بالالتزامات الديون. على عكس الأدوات المالية ذات المدة الثابتة، لا تنتهي الأسهم طالما أن الشركة المصدرة تبقى solvent. تسلط الورقة الضوء على تباين عوائد الأسهم، التي تعتمد على ربحية الشركات وقيمة الأصول، مقارنةً بالعوائد الثابتة من الأصول الخالية من المخاطر التي تحمل مخاطر التخلف عن السداد. تنشأ هذه المخاطر الكامنة المرتبطة بالأسهم من عدم اليقين بشأن الأرباح الموزعة والأرباح الرأسمالية، المتأثرة بكل من الظروف الاقتصادية والعوامل الخاصة بالشركة.
تستكشف الدراسة أيضًا تطبيق تقنيات التعلم الآلي لنمذجة الطبيعة غير الخطية والديناميكية للأسواق المالية. من خلال إجراء تحليلات تجريبية والتحقق من النماذج، تهدف الدراسة إلى تعزيز فهم التنبؤات المالية من خلال قدرات الذكاء الاصطناعي التنبؤية. تهدف النتائج إلى المساهمة في النقاش الأكاديمي وتقديم رؤى عملية للمستثمرين والمحللين الماليين وصانعي السياسات، مما يسهل في النهاية التنقل بشكل أفضل في ظروف السوق المتقلبة وتحسين استراتيجيات الاستثمار.
الطرق
تناقش قسم المنهجية في الورقة تطبيق تقنيات التعلم الآلي المتقدمة، وخاصة نماذج CNN-LSTM، لتحليل السلاسل الزمنية المالية. تجمع هذه النماذج بين الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات المكانية والشبكات العصبية الذاكرة الطويلة القصيرة (LSTMs) لالتقاط الاعتماد الزمني، مما يجعلها فعالة بشكل خاص للبيانات متعددة المتغيرات مثل أسعار الأسهم. تستخدم الدراسة بيانات الأسهم من بنك الشعب الأمريكي من 1 يناير 2005 إلى 4 أكتوبر 2021، مع تقسيم 80-20 للتدريب والاختبار. تم تحديد حجم النافذة الأمثل للنموذج ليكون 10، بناءً على مقارنات متوسط الخطأ المطلق (MAE) عبر أطوال النوافذ المختلفة.
تسلط التصميم التجريبي الضوء على تفوق نموذج CNN-BiLSTM-Attention الهجين على الأساليب الإحصائية التقليدية ونماذج التعلم الآلي الأخرى. تشير النتائج إلى تحسين كبير في دقة التنبؤ، حيث حقق النموذج الهجين متوسط خطأ تربيعي (MSE) قدره 0.012864103 ومتوسط نسبة خطأ مطلق (MAPE) قدره 0.01984150. تؤكد النتائج على فعالية CNNs في استخراج الميزات وقدرة نماذج BiLSTM في التقاط الاعتماد على المدى الطويل والقصير، مما يعزز من متانة ودقة التنبؤات بأسعار الأسهم. بشكل عام، يظهر النموذج الهجين مزايا واضحة في معالجة بيانات السلاسل الزمنية المالية وتنبؤ المعاملات الكمية.
المناقشة
في قسم المناقشة من الورقة، يستكشف المؤلفون تطور أساليب التنبؤ المالي، مقارنين بين التقنيات الإحصائية التقليدية مثل ARIMA والتنعيم الأسي مع الأساليب المتقدمة للتعلم الآلي. بينما تُقدَّر الأساليب التقليدية لسهولة تفسيرها وموثوقيتها التاريخية، فإنها غالبًا ما تواجه صعوبة مع البيانات غير الثابتة والديناميات السوقية المعقدة. بالمقابل، تظهر نماذج التعلم الآلي، وخاصة الشبكات العصبية الذاكرة الطويلة القصيرة (LSTM) والشبكات العصبية التلافيفية (CNNs)، قدرات تفوق في التقاط العلاقات غير الخطية والتكيف مع ظروف السوق المتغيرة. يعزز دمج هذه النماذج، مثل بنية CNN-BiLSTM-Attention، من دقة التنبؤ من خلال الاستفادة من الأنماط الزمنية والمكانية للبيانات.
تؤكد الورقة على أهمية نماذج التنبؤ القوية على المدى الطويل للتخفيف من سلوك المستثمرين قصيري النظر الذي يمكن أن يزعزع استقرار الأسواق. تبرز الحاجة إلى نماذج تأخذ في الاعتبار عوامل التأثير المختلفة لتعزيز بيئة مالية مستقرة. يدعو المؤلفون إلى تحسين مستمر لأساليب التنبؤ، خاصة في سياق أسواق رأس المال المتطورة في الصين، لدعم النمو الاقتصادي المستدام وثقة المستثمرين. بشكل عام، تؤكد النتائج على إمكانية التعلم الآلي في إحداث ثورة في التنبؤ المالي من خلال توفير أدوات تحليلية أكثر دقة وشمولية لعملية اتخاذ القرار الاستثماري.
القيود
تسلط قسم القيود الضوء على نقاط القوة والضعف في الأساليب الإحصائية التقليدية في التنبؤ الاقتصادي. بينما تُمدح هذه الأساليب لسهولة تفسيرها والأسس النظرية القوية التي تسهل فهم الاتجاهات والأنماط في المتغيرات الاقتصادية، إلا أنها تقصر في معالجة العلاقات غير الخطية والديناميكية. تعتبر أدوات مثل خطوط الاتجاه ومخططات التحلل الموسمي مفيدة لتوضيح الأنماط طويلة الأجل والسلوكيات الدورية، لكن فعاليتها محدودة في السيناريوهات المعقدة.
نتيجة لذلك، أدت قيود الأساليب التقليدية إلى دفع الباحثين لاستكشاف تقنيات أكثر تقدمًا، وخاصة نماذج التعلم الآلي. تُعتبر هذه النماذج، وخاصة الأساليب متعددة السلاسل الزمنية، في وضع يمكنها من التغلب على التحديات التي تواجهها الأساليب التقليدية، مما يعزز من دقة وموثوقية التنبؤات الاقتصادية والمالية. ستستكشف الأقسام التالية هذه التطورات بمزيد من التفصيل.
DOI: https://doi.org/10.54254/2755-2721/87/20241562
Publication Date: 2024-07-31
Author(s): Haotian Zheng et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This paper investigates the role of machine learning in financial time series analysis, particularly in predicting trends in financial enterprise stocks and economic data. It differentiates between various stock types and discusses risk management strategies within the stock market. The paper evaluates traditional statistical methods, such as ARIMA and exponential smoothing, highlighting their strengths and weaknesses in economic forecasting. It then emphasizes the advantages of machine learning techniques, specifically Long Short-Term Memory (LSTM) networks and CNN-BiLSTM hybrid models, which are adept at capturing nonlinear patterns in volatile markets. The authors propose a theoretical and methodological framework aimed at enhancing the accuracy and reliability of economic predictions through machine learning.
In the conclusion, the paper warns that short-term stock price predictions may encourage myopic investor behavior, which can destabilize the market and hinder sustainable growth. It advocates for the development of robust long-term forecasting models that account for various influencing factors, moving beyond immediate market fluctuations to foster a more stable and predictable environment. The authors stress the importance of refining market institutions in the context of ongoing reforms in China’s capital markets, underscoring the need for a balanced approach that bolsters long-term investor confidence and economic resilience.
Introduction
The introduction of the research paper outlines the fundamental characteristics of stocks, which are ownership stakes in corporations that provide holders with rights to residual profits and assets after debt obligations are met. Unlike fixed-maturity financial instruments, stocks do not expire as long as the issuing company remains solvent. The paper highlights the variability of stock returns, which are contingent upon corporate profitability and asset value, contrasting them with fixed returns from risk-free assets that carry default risk. This inherent risk associated with stocks arises from the uncertainty of dividends and capital gains, influenced by both economic conditions and company-specific factors.
The research further investigates the application of machine learning techniques to model the nonlinear and dynamic nature of financial markets. By conducting empirical analyses and validating models, the study aims to enhance the understanding of financial forecasting through AI’s predictive capabilities. The findings are intended to contribute to academic discourse and provide practical insights for investors, financial analysts, and policymakers, ultimately facilitating better navigation of volatile market conditions and optimization of investment strategies.
Methods
The methodology section of the paper discusses the application of advanced machine learning techniques, specifically CNN-LSTM models, for financial time series analysis. These models combine Convolutional Neural Networks (CNNs) for spatial feature extraction and Long Short-Term Memory networks (LSTMs) for capturing temporal dependencies, making them particularly effective for multivariate data such as stock prices. The study utilizes stock data from the People’s Bank of America from January 1, 2005, to October 4, 2021, with an 80-20 split for training and testing. The optimal window size for the model was determined to be 10, based on Mean Absolute Error (MAE) comparisons across different window lengths.
The experimental design highlights the superiority of the CNN-BiLSTM-Attention hybrid model over traditional statistical methods and other machine learning models. The results indicate a significant improvement in prediction accuracy, with the hybrid model achieving a Mean Squared Error (MSE) of 0.012864103 and a Mean Absolute Percentage Error (MAPE) of 0.01984150. The findings underscore the effectiveness of CNNs in feature extraction and the capability of BiLSTM models in capturing both long and short-term dependencies, thereby enhancing the robustness and accuracy of stock price predictions. Overall, the hybrid model demonstrates clear advantages in processing financial time series data and predicting quantitative transactions.
Discussion
In the discussion section of the paper, the authors explore the evolution of financial forecasting methods, contrasting traditional statistical techniques like ARIMA and exponential smoothing with advanced machine learning approaches. While traditional methods are valued for their interpretability and historical reliability, they often struggle with nonstationary data and complex market dynamics. In contrast, machine learning models, particularly Long Short-Term Memory (LSTM) networks and Convolutional Neural Networks (CNNs), demonstrate superior capabilities in capturing nonlinear relationships and adapting to changing market conditions. The integration of these models, such as the CNN-BiLSTM-Attention architecture, enhances predictive accuracy by leveraging both temporal and spatial data patterns.
The paper emphasizes the importance of robust long-term forecasting models to mitigate short-term investor behavior that can destabilize markets. It highlights the necessity for models that incorporate various influencing factors to foster a stable financial environment. The authors advocate for ongoing refinement of forecasting methodologies, particularly in the context of China’s evolving capital markets, to support sustainable economic growth and investor confidence. Overall, the findings underscore the potential of machine learning to revolutionize financial forecasting by providing more accurate and comprehensive analytical tools for investment decision-making.
Limitations
The section on limitations highlights the strengths and weaknesses of traditional statistical methods in economic forecasting. While these methods are praised for their interpretability and solid theoretical foundations, which facilitate understanding of trends and patterns in economic variables, they fall short in addressing non-linear and dynamic relationships. Tools such as trendlines and seasonal decomposition charts are useful for illustrating long-term patterns and cyclical behaviors, but their effectiveness is limited in complex scenarios.
Consequently, the limitations of traditional approaches have led researchers to investigate more advanced techniques, particularly machine learning models. These models, especially multivariate time series approaches, are positioned to overcome the challenges faced by traditional methods, thereby enhancing the accuracy and robustness of economic and financial predictions. The subsequent sections will explore these advancements in greater detail.