DOI: https://doi.org/10.1038/s41598-025-29383-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41298975
تاريخ النشر: 2025-11-26
المؤلف: Qi Li وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه الورقة منهجية جديدة تجمع بين البرمجة الجينية الرمزية (SGP) وتقنيات بايزيان ضمن إطار الشبكة العصبية العميقة (DNN)، من خلال تطوير خوارزمية جينية قائمة على بايزيان (BayGA). الهدف الرئيسي من هذا البحث هو أتمتة ضبط المعلمات الفائقة لتوقعات سوق الأسهم، مع معالجة القيود التي تفرضها عملية الضبط اليدوي، والتي يمكن أن تؤثر سلبًا على دقة التوقعات.
تظهر النتائج التجريبية أن نموذج DNN المعزز بـ BayGA يتفوق بشكل كبير على مؤشرات الأسهم الرئيسية، محققًا عوائد سنوية تتجاوز تلك الخاصة بـ HS300 وCSI500 وCSI1000 بنسبة 10.06% و8.62% و16.42% على التوالي. بالإضافة إلى ذلك، يظهر النموذج نسب كالمار مثيرة للإعجاب تبلغ 3.83 و2.71 و6.20. تسلط هذه النتائج الضوء على فعالية تقنية BayGA في تحسين ضبط المعلمات الفائقة، مما يساهم في تطوير نماذج توقعات مالية أكثر قوة.
مقدمة
في مقدمة هذه الورقة البحثية، يسلط المؤلفون الضوء على التقدم الكبير في التعلم العميق على مدار العقد الماضي، لا سيما في التطبيقات مثل التعرف على الصور، والترجمة اللغوية، وتوقع أسعار الأسهم. يشيرون إلى أنه بينما أدى دمج ميزات متعددة تتعلق بأسعار الأسهم—مثل المؤشرات الأساسية والفنية—إلى نتائج واعدة، لا تزال التحديات مثل الإفراط في التكيف قائمة بسبب التعقيد والعدد الكبير من المعلمات في هذه النماذج. يؤكد المؤلفون على الدور الحاسم لضبط المعلمات الفائقة في تعزيز أداء النموذج، مشيرين إلى أن طرق الضبط اليدوي التقليدية غالبًا ما تؤدي إلى عدم الدقة وتفتقر إلى القوة.
لمعالجة هذه التحديات، تقدم الورقة تقنية جديدة لضبط المعلمات الفائقة تُسمى BayGA، والتي تجمع بين التحسين البايزي (BO) والخوارزميات الجينية (GA). تعالج هذه الطريقة المعلمات الفائقة كأفراد ضمن مجموعة سكانية، مما يسمح بالتحسين التطوري لأداء النموذج. يدمج المؤلفون BayGA في نموذج SGP-DNN لتوقع التغيرات في أسعار الأسهم عبر الأقسام، ويخططون لمقارنة فعاليتها مع طرق تحسين المعلمات الفائقة الحالية، بما في ذلك GA وتحسين سرب الجسيمات (PSO).
الطرق
تتناول قسم المنهجية تصميم خوارزمية BayGA، التي تم تصميمها لأتمتة تحسين المعلمات الفائقة، مما يعزز الأداء التنبؤي لإطار البرمجة الجينية الرمزية والشبكة العصبية العميقة (SGP-DNN). تدمج هذه الطريقة الهجينة نقاط القوة في التحسين البايزي (BO) والخوارزميات الجينية (GA) لتحسين المعلمات الفائقة الحرجة التي تؤثر بشكل كبير على أداء النموذج، مثل معدل التعلم وعدد الخلايا العصبية في الطبقات المخفية. أظهرت الأبحاث السابقة التي أجراها Li et al. (2024) إمكانية نموذج SGP-DNN في توقع سوق الأسهم، لكن فعاليته كانت مقيدة بضبط المعلمات الفائقة يدويًا، والذي غالبًا ما يكون غير فعال ويؤدي إلى نتائج دون المستوى.
تهدف خوارزمية BayGA إلى التخفيف من هذه القضايا من خلال أتمتة عملية تحسين المعلمات الفائقة، مما يضمن اتساقًا أكبر وقوة في دقة التنبؤ. من خلال معالجة التحديات المرتبطة باختيار المعلمات الفائقة، مثل مخاطر التقارب المبكر بسبب معدل تعلم مرتفع بشكل مفرط أو التقارب البطيء من معدل منخفض، تعزز BayGA الأداء العام لنموذج SGP-DNN. يختتم القسم بتحديد التصميم الأولي والمبادئ التشغيلية لخوارزمية BayGA، مما يمهد الطريق لتطبيقها في مراحل لاحقة من عملية النمذجة التنبؤية.
النتائج
في النتائج التجريبية، استخدمت الدراسة ما مجموعه 304 مؤشرات—تتكون من 244 مؤشرًا أساسيًا و60 مؤشرًا فنيًا—كمدخلات لنموذج الشبكة العصبية العميقة (DNN) الذي يهدف إلى توقع العوائد عبر الأقسام. تم تحليل النتائج في جزئين: ركز القسم 4.1 على تطبيق تقنيات التحسين التقليدية، وتحديدًا التحسين البايزي (BO) والخوارزمية الجينية (GA)، المطبقة بشكل مستقل. في القسم 4.2، تم تقييم أداء الخوارزمية الهجينة المقترحة، BayGA، مما أظهر فعاليتها في تعزيز دقة التوقعات مقارنة بالطرق المستقلة.
تشير النتائج إلى أن دمج المؤشرات الأساسية والفنية من خلال خوارزمية BayGA يؤدي إلى أداء تنبؤي متفوق، مما يقترح اتجاهًا واعدًا للبحوث المستقبلية في منهجيات توقع عوائد الأسهم.
المناقشة
في هذا القسم، تناقش البحث قوة نماذج الشبكة العصبية العميقة (DNN) المختلفة في توقع الأسهم، مع التركيز بشكل خاص على دمج خوارزمية تحسين هجينة، BayGA، التي تجمع بين التحسين البايزي (BO) والخوارزميات الجينية (GA). تشير النتائج إلى أن نموذج DNN المعزز بـ BayGA يتفوق بشكل كبير على نماذج DNN التقليدية في توقع التغيرات في أسعار الأسهم عبر الأقسام، كما يتضح من تحسين المقاييس مثل معامل معلومات الرتبة (Rank IC) ونسبة معلومات IC (ICIR). حقق النموذج عوائد زائدة سنوية تبلغ 10.06% و8.62% و16.42% عبر مؤشرات CSI 300 وCSI 500 وCSI 1000، على التوالي، مع بقاء الانخفاضات القصوى أقل من 4%، مما يظهر استقراره وفعاليته.
تسلط الورقة أيضًا الضوء على أهمية تحسين المعلمات الفائقة في نماذج DNN لتوقع الأسهم، مقارنةً بمختلف الطرق بما في ذلك البحث الشبكي، والبحث العشوائي، وBO، وGA. يجادل المؤلفون بأنه بينما تكون الطرق التقليدية مكلفة حسابيًا وغير فعالة للنماذج المعقدة، فإن الطرق الاستدلالية مثل GA وBO تقدم أداءً أفضل من خلال تحقيق توازن بين الاستكشاف والاستغلال في فضاء المعلمات الفائقة. تعالج خوارزمية BayGA بشكل خاص قيود ميل BO للتقارب المبكر من خلال دمج قدرات GA الاستكشافية، مما يعزز عملية التحسين العامة. لا تحسن هذه الاستراتيجية ذات المرحلتين دقة التنبؤ للنموذج فحسب، بل تضمن أيضًا الكفاءة الحسابية، مما يجعلها نهجًا واعدًا لتطبيقات سوق الأسهم.
DOI: https://doi.org/10.1038/s41598-025-29383-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41298975
Publication Date: 2025-11-26
Author(s): Qi Li et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This paper introduces a novel methodology that combines Symbolic Genetic Programming (SGP) with Bayesian techniques within a Deep Neural Network (DNN) framework, specifically through the development of a Bayesian-based Genetic Algorithm (BayGA). The primary aim of this research is to automate the tuning of hyperparameters for stock market prediction, addressing the limitations of manual tuning, which can adversely affect prediction accuracy.
The experimental results demonstrate that the DNN model enhanced by BayGA significantly outperforms major stock indices, achieving annualized returns that exceed those of the HS300, CSI500, and CSI1000 by 10.06%, 8.62%, and 16.42%, respectively. Additionally, the model exhibits impressive Calmar Ratios of 3.83, 2.71, and 6.20. These findings highlight the efficacy of the BayGA technique in optimizing hyperparameter tuning, thereby contributing to the development of more robust financial forecasting models.
Introduction
In the introduction of this research paper, the authors highlight the significant advancements in Deep Learning over the past decade, particularly in applications like image recognition, language translation, and stock price prediction. They note that while integrating various stock price-related features—such as fundamental and technical indicators—has yielded promising results, challenges like overfitting persist due to the complexity and vast number of parameters in these models. The authors emphasize the critical role of hyperparameter tuning in enhancing model performance, noting that traditional manual tuning methods often result in inaccuracies and lack robustness.
To address these challenges, the paper introduces a novel hyperparameter tuning technique named BayGA, which combines Bayesian Optimization (BO) with Genetic Algorithms (GA). This method treats hyperparameters as individuals within a population, allowing for evolutionary optimization of the model’s performance. The authors integrate BayGA into the SGP-DNN model to predict cross-sectional stock price changes and plan to benchmark its effectiveness against existing hyperparameter optimization methods, including GA and Particle Swarm Optimization (PSO).
Methods
The methodology section details the design of the BayGA algorithm, which is engineered to automate hyperparameter optimization, thereby enhancing the predictive performance of the Symbolic Genetic Programming and Deep Neural Network (SGP-DNN) framework. This hybrid approach integrates the strengths of Bayesian Optimization (BO) and Genetic Algorithms (GA) to optimize critical hyperparameters that significantly influence model performance, such as the learning rate and the number of neurons in hidden layers. Previous research by Li et al. (2024) highlighted the SGP-DNN model’s potential in stock market prediction, but its effectiveness was hindered by manual hyperparameter tuning, which is often inefficient and leads to suboptimal outcomes.
The BayGA algorithm aims to mitigate these issues by automating the hyperparameter optimization process, thereby ensuring greater consistency and robustness in predictive accuracy. By addressing the challenges associated with hyperparameter selection, such as the risks of premature convergence due to an excessively high learning rate or slow convergence from a low rate, BayGA enhances the overall performance of the SGP-DNN model. The section concludes by outlining the initial design and operational principles of the BayGA algorithm, setting the stage for its application in subsequent phases of the predictive modeling process.
Results
In the experimental results, the study utilized a total of 304 indicators—comprising 244 fundamental and 60 technical indicators—as inputs for a Deep Neural Network (DNN) model aimed at forecasting cross-sectional stock returns. The results were analyzed in two parts: Section 4.1 focused on the application of traditional optimization techniques, specifically the Bayesian Optimization (BO) and Genetic Algorithm (GA), applied independently. In Section 4.2, the performance of the proposed hybrid algorithm, BayGA, was evaluated, demonstrating its effectiveness in enhancing the forecasting accuracy compared to the standalone methods.
The findings indicate that the integration of fundamental and technical indicators through the BayGA algorithm yields superior predictive performance, suggesting a promising direction for future research in stock return forecasting methodologies.
Discussion
In this section, the research discusses the robustness of various Deep Neural Network (DNN) models in stock prediction, particularly focusing on the integration of a hybrid optimization algorithm, BayGA, which combines Bayesian Optimization (BO) and Genetic Algorithms (GA). The findings indicate that the BayGA-enhanced DNN model significantly outperforms traditional DNN models in predicting cross-sectional stock price changes, as evidenced by improved metrics such as the Rank Information Coefficient (Rank IC) and Information Ratio of IC (ICIR). The model achieved annualized excess returns of 10.06%, 8.62%, and 16.42% across the CSI 300, CSI 500, and CSI 1000 indices, respectively, with maximum drawdowns remaining below 4%, demonstrating its stability and effectiveness.
The paper also highlights the importance of hyperparameter optimization in DNN models for stock prediction, comparing various methods including grid search, random search, BO, and GA. The authors argue that while traditional methods are computationally expensive and inefficient for complex models, heuristic methods like GA and BO offer better performance by balancing exploration and exploitation in the hyperparameter space. The BayGA algorithm specifically addresses the limitations of BO’s tendency to converge prematurely by incorporating GA’s exploratory capabilities, thus enhancing the overall optimization process. This dual-phase strategy not only improves the model’s predictive accuracy but also ensures computational efficiency, making it a promising approach for stock market applications.