DOI: https://doi.org/10.1057/s41599-025-04412-y
تاريخ النشر: 2025-01-29
المؤلف: Kamrul Hasan Tuhin وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه البحث نهجًا جديدًا يعتمد على الذاكرة طويلة وقصيرة الأجل (LSTMAE) لتحليل بيانات السلاسل الزمنية المالية، مع التركيز بشكل خاص على العلاقات المعقدة بين مؤشرات الأسهم من 2000 إلى 2022، والتي تشمل عدة أزمات مالية. من خلال تدريب LSTMAE المعدل على عوائد مؤشرات الأسهم المعيارية، تستخرج الدراسة الارتباطات المضمنة في أوزان النموذج لبناء شبكات عتبة اتجاهية. تكشف التحليلات أن خصائص الشبكة، مثل متوسط أطوال المسارات الأقصر والانتروبيا الهيكلية، تظهر تغييرات كبيرة خلال الأزمات المالية، مما يشير إلى زيادة الترابط وظهور العقد المهيمنة داخل الشبكة. ومن الجدير بالذكر أن التأثيرات القطاعية تكون بارزة خلال الأزمات، حيث تمارس قطاعات معينة، مثل القطاع المالي خلال الأزمة المالية العالمية والرعاية الصحية خلال جائحة COVID-19، تأثيرًا كبيرًا على القطاعات الأخرى.
تؤكد النتائج فعالية النموذج في تحديد الأزمات المالية وتفوقه على الأساليب الإحصائية التقليدية في تمثيل تسلسل السوق. تسلط الدراسة الضوء على إمكانية تحسين إدارة المخاطر واستراتيجيات الاستثمار من خلال الكشف المبكر عن الأزمات وفهم الاعتماد المتبادل بين القطاعات. تهدف الأعمال المستقبلية إلى تعزيز النموذج لتطبيقات الوقت الحقيقي، ودمج المتغيرات الخارجية، وتوسيع التحليل ليشمل الشبكات عبر الأسواق، وبالتالي تطوير أدوات قوية لتحليل الشبكات المالية والاستجابة للأزمات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التعقيد المتزايد والتنافسية في السوق المالية العالمية، المدفوعة بالتقدم التكنولوجي والعولمة. تؤكد على ضرورة فهم هذا السوق كنظام ديناميكي غير خطي، حيث يمكن أن يكشف تحليل بيانات السلاسل الزمنية التاريخية عن العلاقات بين المؤشرات العالمية، ويعلم استراتيجيات الاستثمار، ويقيم المخاطر المالية. تم استخدام الأساليب التقليدية، مثل الارتباط المتقاطع ونظرية المصفوفات العشوائية (RMT)، بشكل أساسي لبناء شبكات الأسهم، ومع ذلك غالبًا ما تتجاهل هذه الأساليب إمكانيات التقنيات البديلة، خاصة في سياق التعلم الآلي.
تقترح الورقة منهجية جديدة تستخدم مشفر الذاكرة طويلة وقصيرة الأجل (LSTM) لبناء الارتباطات بين الأسهم من بيانات السلاسل الزمنية المالية. تم تصميم هذا النهج لالتقاط الاعتماد الزمني وتوليد الشبكات المالية الاتجاهية، التي تقدم رؤى حول التأثيرات المتبادلة بين الأسهم. يقوم نموذج LSTM Autoencoder بمعالجة أسعار الإغلاق اليومية لمؤشرات S&P 500، مما يخلق تمثيلات مشفرة تُعلم الارتباطات بين الأسهم. يتم تقييم الشبكات الناتجة من حيث خصائصها الطوبولوجية، مما يظهر أداءً متفوقًا في تحديد الأزمات المالية مقارنة بالأساليب التقليدية. لا يعزز هذا النهج المبتكر فهم هيكل السوق فحسب، بل يعالج أيضًا قيود التقنيات الحالية في التقاط العلاقات غير الخطية والتأثيرات الاتجاهية بين الأسهم.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. يصف القسم أيضًا المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
تُبرز التقنيات والبروتوكولات الرئيسية، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير البيانات. يؤكد القسم على الالتزام بالمعايير الأخلاقية وأي ضوابط تم تنفيذها للتحقق من النتائج. بشكل عام، يوفر هذا العرض الشامل إطارًا واضحًا لفهم النهج التجريبي وأهميته لأهداف الدراسة.
نتائج
تكشف نتائج الدراسة أن مصفوفة الأوزان المستمدة من مشفر LSTM تقيس التفاعلات غير المتماثلة بين مؤشرات الأسهم، مما يبرز أن تأثير سهم واحد على آخر ليس متبادلاً. تشير هذه المصفوفة، المستخرجة من الطبقة الكثيفة للنموذج بعد التدريب، إلى أنماط تأثير فريدة بين الأسهم عبر فترات زمنية مختلفة، خاصة خلال الأزمات المالية. يُظهر تحليل الأسهم المختارة من قطاعات متنوعة أن التأثيرات الإيجابية بين الأسهم كانت أكثر وضوحًا خلال فترات الأزمات (2008 و2020) مقارنة بفترات عدم الأزمات (2004 و2018). ومن الجدير بالذكر أن وجود ألوان زاهية في خريطة الحرارة يشير إلى تأثيرات إيجابية أقوى، بينما تشير الألوان الداكنة إلى تأثيرات سلبية، حيث تكون الأخيرة أقل هيمنة خلال الأزمات.
علاوة على ذلك، تقدم الدراسة عتبة ديناميكية لتحديد التفاعلات المهمة بين الأسهم، تُحسب كمتوسط زائد الانحراف المعياري لقيم مصفوفة الأوزان لكل عام. تعمل هذه العتبة كمرشح لبناء شبكات العتبة، التي تكشف أنه خلال الأزمات المالية، يزداد عدد العقد ذات الدرجة العالية والحواف، مما يشير إلى شبكات أكثر كثافة واعتمادًا متبادلًا أقوى بين الأسهم. يشير تحليل معاملات التجميع والانتروبيا الهيكلية إلى أن الأزمات تؤدي إلى زيادة الاعتماد المتبادل، حيث تشير قيم الانتروبيا المنخفضة إلى هيكل هرمي تهيمن عليه عدد قليل من الأسهم المؤثرة. تؤكد هذه النتائج على إمكانية استخدام خصائص الشبكة كمؤشرات مبكرة لعدم الاستقرار المالي، مما يسمح لأصحاب المصلحة بتعديل استراتيجيات الاستثمار بشكل استباقي بناءً على ظروف السوق.
مناقشة
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لتحليل بيانات سوق الأسهم باستخدام نهج العائد اللوغاريتمي المعياري، والذي يتضمن حساب العوائد اللوغاريتمية اليومية من أسعار الإغلاق وتقسيم مجموعة البيانات إلى فترات زمنية مدتها عام واحد. تعزز هذه العملية المعيارية أداء النموذج من خلال ضمان التوحيد في المقاييس، وهو أمر حاسم للتطبيق اللاحق لمشفر الذاكرة طويلة وقصيرة الأجل (LSTM). يتكون هيكل النموذج من بنية مشفر-فك تشفير مع طبقات LSTM مصممة لالتقاط الاعتماد الزمني والعلاقات بين الأسهم، مما ينتج في النهاية مصفوفة ارتباط تعكس تفاعلات الأسهم. يستخدم التدريب نهج التعلم غير المراقب، مع التركيز على إعادة بناء تسلسلات عوائد الأسهم مع تقليل خسارة إعادة البناء من خلال تحسين تكراري.
تشير النتائج إلى أن مشفر LSTM Autoencoder يحدد الأزمات المالية بشكل فعال من خلال تحليل الخصائص الطوبولوجية للشبكات المبنية، مما يكشف عن زيادة الترابط والهياكل الهرمية خلال هذه الفترات. تسلط الدراسة الضوء على أهمية التأثيرات القطاعية، مشيرة إلى أن بعض القطاعات تمارس تأثيرات كبيرة على قطاعات أخرى خلال الأزمات، مما يمكن أن يُعلم إدارة المخاطر واستراتيجيات الاستثمار. بينما يظهر النموذج أداءً متفوقًا في الكشف عن فترات الأزمات مقارنة بالأساليب التقليدية، إلا أنه يتطلب بيانات وموارد حسابية كبيرة، مما يحد من قابليته للتطبيق على فترات زمنية أقصر. تهدف الأعمال المستقبلية إلى تعزيز كفاءة النموذج وتوسيع قدراته لتشمل التفاعلات عبر الأسواق، مما يحسن تحليل الشبكات المالية واكتشاف الأزمات.
DOI: https://doi.org/10.1057/s41599-025-04412-y
Publication Date: 2025-01-29
Author(s): Kamrul Hasan Tuhin et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This research presents a novel Long Short-Term Memory Autoencoder (LSTMAE) approach for analyzing financial time series data, specifically focusing on the intricate relationships among stock indices from 2000 to 2022, which includes multiple financial crises. By training a modified LSTMAE on normalized stock index returns, the study extracts correlations embedded in the model weights to construct directional threshold networks. The analysis reveals that network properties, such as average shortest path lengths and structural entropy, exhibit significant changes during financial crises, indicating heightened interconnectivity and the emergence of dominant nodes within the network. Notably, sectoral influences are pronounced during crises, with specific sectors, such as Financials during the global financial crisis and Health Care during the COVID-19 pandemic, exerting substantial influence over others.
The findings underscore the model’s effectiveness in identifying financial crises and its superiority over traditional statistical methods in representing market hierarchy. The study highlights the potential for improved risk management and investment strategies through early detection of crises and understanding sectoral interdependence. Future work aims to enhance the model for real-time applications, integrate external variables, and expand the analysis to cross-market networks, thereby developing robust tools for financial network analysis and crisis response.
Introduction
The introduction of this research paper highlights the increasing complexity and competitiveness of the global financial market, driven by technological advancements and globalization. It emphasizes the necessity of understanding this market as a nonlinear dynamical system, where analyzing historical time series data can uncover relationships among global indices, inform investment strategies, and assess financial risks. Traditional methods, such as cross-correlation and Random Matrix Theory (RMT), have been predominantly used to construct stock networks, yet these approaches often overlook the potential of alternative techniques, particularly in the context of machine learning.
The paper proposes a novel methodology utilizing a Long Short-Term Memory (LSTM) Autoencoder to construct stock correlations from financial time series data. This approach is designed to capture temporal dependencies and generate directional financial networks, which provide insights into the mutual influences between stocks. The LSTM Autoencoder model processes daily closing prices of S&P 500 indices, creating encoded representations that inform stock correlations. The resulting networks are evaluated for their topological properties, demonstrating superior performance in identifying financial crises compared to conventional methods. This innovative approach not only enhances the understanding of market structure but also addresses the limitations of existing techniques in capturing nonlinear relationships and directional influences among stocks.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Key techniques and protocols are highlighted, including any statistical analyses performed to interpret the data. The section emphasizes adherence to ethical standards and any controls implemented to validate the findings. Overall, this comprehensive overview provides a clear framework for understanding the experimental approach and its relevance to the study’s objectives.
Results
The results of the study reveal that the weight matrix derived from the LSTM autoencoder quantifies the asymmetric interactions between stock indices, highlighting that the influence of one stock on another is not mutually reciprocal. This matrix, extracted from the model’s dense layer post-training, indicates unique influence patterns among stocks across different time periods, particularly during financial crises. The analysis of selected stocks from various sectors shows that positive influences among stocks were more pronounced during crisis periods (2008 and 2020) compared to non-crisis periods (2004 and 2018). Notably, the presence of bright colors in the heatmap indicates stronger positive influences, while darker colors signify negative influences, with the latter being less dominant during crises.
Furthermore, the study introduces a dynamic threshold for identifying significant stock interactions, calculated as the mean plus standard deviation of the weight matrix values for each year. This threshold serves as a filter to construct threshold networks, which reveal that during financial crises, the number of high-degree nodes and edges increases, indicating denser networks and stronger interdependencies among stocks. The analysis of clustering coefficients and structural entropy suggests that crises lead to heightened interdependence, with lower entropy values indicating a hierarchical structure dominated by a few influential stocks. These findings underscore the potential of using network properties as early indicators of financial instability, allowing stakeholders to adjust investment strategies proactively based on market conditions.
Discussion
In this section, the authors detail the methodology for analyzing stock market data using a normalized logarithmic return approach, which involves calculating daily log returns from closing prices and segmenting the dataset into one-year intervals. This normalization process enhances model performance by ensuring uniformity in scales, which is crucial for the subsequent application of a Long Short-Term Memory (LSTM) Autoencoder. The model architecture comprises an encoder-decoder structure with LSTM layers designed to capture temporal dependencies and inter-stock relationships, ultimately producing a correlation matrix that reflects stock interactions. The training employs an unsupervised learning approach, focusing on reconstructing stock return sequences while minimizing reconstruction loss through iterative optimization.
The findings indicate that the LSTM Autoencoder effectively identifies financial crises by analyzing topological properties of constructed networks, revealing increased interconnectivity and hierarchical structures during such periods. The study highlights the importance of sectoral influences, noting that certain sectors exert significant impacts on others during crises, which can inform risk management and investment strategies. While the model demonstrates superior performance in detecting crisis periods compared to traditional methods, it requires substantial data and computational resources, limiting its applicability for shorter time frames. Future work aims to enhance the model’s efficiency and expand its capabilities to include cross-market interactions, thereby improving financial network analysis and crisis detection.