DOI: https://doi.org/10.55670/fpll.futech.5.2.25
تاريخ النشر: 2026-04-11
المؤلف: Junyu Wang
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بتحديد نقاط الانكسار الهيكلية وآليات التحول في الأسواق المالية، والتي تعتبر حاسمة لتسعير الأصول وإدارة المخاطر. تفتقر النماذج البارامترية التقليدية إلى المرونة اللازمة لالتقاط الديناميكيات غير الخطية بشكل فعال، مما دفع المؤلفين إلى اقتراح نموذج جديد للتحول النظامي يستفيد من تقنيات التعلم العميق. على وجه التحديد، يدمج النموذج شبكة الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (LSTM) مع عملية تحويل ماركوف للاستدلال الاحتمالي، مما يخلق إطار عمل شاملاً لتحديد الانكسارات الهيكلية، وتصنيف أنظمة السوق، وتجمع التقلبات. يركز آلية الانتباه داخل النموذج على البيانات التاريخية الهامة، بينما تولد شبكة الإدراك المتعدد الطبقات (MLP) معلمات GARCH المعتمدة على الحالة لنمذجة التقلبات غير المتجانسة بشكل تكيفي. بالإضافة إلى ذلك، يسهل مراقبة العتبات التكيفية المستندة إلى تباين كولباك-ليبلر (KL) الكشف الكمي عن الانكسارات الهيكلية.
تظهر النتائج التجريبية تفوق النموذج على الطرق التقليدية، حيث تحقق دقة تصل إلى 87.3% في الكشف عن الانكسارات الهيكلية وتقليص متوسط الخطأ التربيعي (MSE) بنسبة 24.6% مقارنة بنموذج MS-GARCH. علاوة على ذلك، يظهر دقة بنسبة 79.4% في تحديد الأنظمة عبر أسواق مختلفة، بما في ذلك مجموعة بيانات البيتكوين. يتم تأكيد متانة النموذج من خلال تحليلات الإزالة والثبات الزمني. تشير النتائج إلى آثار عملية كبيرة على إدارة المحافظ، واستراتيجيات توقيت السوق، والوقاية من المخاطر النظامية، مع توجيه الأبحاث المستقبلية نحو تعزيز شفافية النموذج من خلال الذكاء الاصطناعي القابل للتفسير، وتطوير نماذج خفيفة للتطبيقات في الوقت الحقيقي، ودمج المدخلات متعددة الأنماط لتحسين الدقة.
مقدمة
تتناول مقدمة الورقة تعقيدات تقلب الأسعار في الأسواق المالية، مع التركيز على الديناميكيات غير الخطية مثل التحول النظامي وتجمع التقلبات التي تشكل تحديات كبيرة لنمذجة أسعار الأصول وإدارة المخاطر. تسلط الضوء على عدم كفاية النماذج الخطية التقليدية لسلاسل الزمن في التقاط هذه الديناميكيات، خاصة في سياق الصدمات الاقتصادية الكلية والأحداث المتطرفة، كما يتضح من الأزمات المالية لعام 2008 وجائحة COVID-19. تستعرض الورقة منهجيات مختلفة، بما في ذلك نماذج GARCH للتحول ماركوف ونماذج ماركوف المخفية، التي تم استخدامها لتحليل التقلبات وأنظمة السوق، وتناقش دمج وظائف الكوبولا في التحليلات متعددة المتغيرات لتعزيز قابلية تطبيق النموذج.
يقترح المؤلفون إطار عمل جديد يجمع بشكل فريد بين تحديد الأنظمة المنفصلة، ونمذجة تقلبات GARCH المعتمدة على الحالة، وكشف الانكسارات الهيكلية المستندة إلى تباين KL في عملية تحسين شاملة. تهدف هذه الطريقة إلى معالجة قيود النماذج الحالية، التي غالبًا ما تعالج الانكسارات الهيكلية، وتحديد الأنظمة، ونمذجة التقلبات كظواهر منفصلة. من خلال الاستفادة من نقاط القوة في التعلم العميق مع دمج المعرفة الإحصائية السابقة، يسعى الإطار المقترح إلى تحسين دقة التنبؤ وقابلية التطبيق في البيئات المالية عالية المخاطر. يتم التحقق من فعالية هذا النموذج الموحد باستخدام مجموعات بيانات عامة، مثل مؤشر S&P 500 والبيتكوين، ويتم وضعه كتحسين كبير لأنظمة إدارة المخاطر الذكية في التكنولوجيا المالية.
الطرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لتقييم صلاحية وقابلية تعميم نموذجهم المالي المقترح باستخدام مجموعتين بيانات متميزتين. تشمل مجموعة البيانات الرئيسية مؤشرات أسعار الإغلاق اليومية لمؤشر S&P 500 من يناير 2000 إلى ديسمبر 2023، تغطي أحداث السوق الهامة مثل فقاعة الدوت كوم، والأزمة المالية العالمية، وأزمة الديون الأوروبية، وجائحة COVID-19. تتكون مجموعة البيانات المساعدة من أسعار البيتكوين مقابل الدولار الأمريكي اليومية من يناير 2017 إلى ديسمبر 2023، التي تم اختيارها بسبب تقلبها العالي، مما يفيد في اختبار قابلية تطبيق النموذج على الأصول الناشئة. شملت معالجة البيانات حساب العوائد اللوغاريتمية، والتعامل مع القيم المفقودة من خلال الاستيفاء الخطي، ومعالجة القيم الشاذة عبر التوزيع، وتطبيع باستخدام درجات Z.
تم تقسيم مجموعة البيانات إلى مجموعات تدريب (2000-2019)، والتحقق (2020-2021)، والاختبار (2022-2023)، بأحجام تقريبية تبلغ 5,040، 504، و504 أيام تداول على التوالي. تضمنت المعلمات الرئيسية حجم نافذة متدحرجة يبلغ 60 يومًا، وحجم دفعة صغيرة يبلغ 32، ومعدل تعلم أولي يبلغ 0.001 مع تذويب جيب التمام، ومعيار توقف مبكر بصبر يبلغ 15 دورة. تضمنت نماذج المقارنة نماذج MS-GARCH، وLSTM النقي، وARIMA-GARCH، وHMM-GARCH. تم إجراء التجارب على وحدة معالجة الرسوميات NVIDIA RTX 3090 باستخدام مكتبة PyTorch 1.12، مع استخدام بذور عشوائية ثابتة لضمان القابلية للتكرار عبر ثلاث تكرارات لكل تجربة.
المناقشة
يقدم نموذج التحول النظامي المدفوع بالتعلم العميق إطارًا احتماليًا جديدًا لتحسين تقدير الانكسارات الهيكلية، وتصنيف الحالة، ونمذجة تجمع التقلبات في السلاسل الزمنية المالية. من خلال الاستفادة من قدرات التحويل غير الخطية للتعلم العميق، يتجاوز النموذج القيود البارامترية للنماذج التقليدية للتحول ماركوف. يعمل على سلسلة العوائد اللوغاريتمية المدفوعة بواسطة متغير حالة منفصل كامن يمثل أنظمة السوق المختلفة، مثل الأسواق الصاعدة ذات التقلبات المنخفضة والأزمات ذات التقلبات العالية. يستخدم النموذج سلسلة ماركوف من الدرجة الأولى لديناميات الحالة، معززة بشبكة الذاكرة طويلة وقصيرة المدى (LSTM) وآلية الانتباه لالتقاط الاعتماديات الزمنية المعقدة دون الحاجة إلى صيغ من الدرجة الأعلى. ينتج عن ذلك وظيفة احتمال انتقال مرنة تتكيف مع أنماط التقلب التاريخية، مما يسمح بفهم أكثر دقة لتحولات الأنظمة.
تدمج بنية النموذج عدة مكونات، بما في ذلك وحدة كشف الانكسار المستندة إلى تباين كولباك-ليبلر، ووحدة توقع التقلبات التي تستخدم معلمات GARCH المعتمدة على الحالة، ووحدة تحديد الأنظمة المعززة بآليات الانتباه. تؤكد التحقق التجريبي فعالية النموذج، حيث تحقق دقة عالية في تحديد الأنظمة وكشف الانكسارات الهيكلية، بدقة تبلغ 83.3% واسترجاع 100%. بالإضافة إلى ذلك، يتفوق النموذج على الطرق التقليدية في توقع العوائد، كما يتضح من تقليص متوسط الخطأ التربيعي بنسبة 24.6% مقارنة بنموذج MS-GARCH الأساسي. تؤكد الاختبارات الإحصائية أهمية هذه التحسينات في الأداء، مما يشير إلى أن النموذج المقترح يقدم باستمرار توقعات أكثر دقة وتقديرات مخاطر أفضل عبر ظروف السوق المختلفة.
DOI: https://doi.org/10.55670/fpll.futech.5.2.25
Publication Date: 2026-04-11
Author(s): Junyu Wang
Primary Topic: Stock Market Forecasting Methods
Overview
This research paper addresses the challenges of identifying structural breakpoints and switching mechanisms in financial markets, which are critical for asset pricing and risk management. Traditional parametric models lack the flexibility to effectively capture nonlinear dynamics, prompting the authors to propose a novel regime-switching model that leverages deep learning techniques. Specifically, the model integrates a bidirectional long short-term memory (LSTM) network with a Markov transformation process for probabilistic inference, creating a comprehensive framework for structural break identification, market regime classification, and volatility clustering. The attention mechanism within the model focuses on significant historical data, while a multi-layer perceptron (MLP) generates state-dependent GARCH parameters to adaptively model heterogeneous fluctuations. Additionally, adaptive threshold monitoring based on Kullback-Leibler (KL) divergence facilitates quantitative detection of structural breaks.
The experimental results demonstrate the model’s superiority over traditional methods, achieving an accuracy of 87.3% in structural break detection and a 24.6% reduction in mean squared error (MSE) compared to the MS-GARCH model. Furthermore, it shows a 79.4% accuracy in regime identification across different markets, including the Bitcoin dataset. The model’s robustness is confirmed through ablation and temporal stability analyses. The findings suggest significant practical implications for portfolio management, market timing strategies, and systemic risk prevention, with future research aimed at enhancing model transparency through explainable AI, developing lightweight models for real-time applications, and incorporating multimodal inputs for improved accuracy.
Introduction
The introduction of the paper addresses the complexities of price volatility in financial markets, emphasizing the nonlinear dynamics such as regime switching and volatility clustering that pose significant challenges for asset price modeling and risk management. It highlights the inadequacies of traditional linear time series models in capturing these dynamics, particularly in the context of macroeconomic shocks and extreme events, as evidenced by the financial crises of 2008 and the COVID-19 pandemic. The paper reviews various methodologies, including Markov Switching GARCH models and Hidden Markov Models, which have been employed to analyze volatility and market regimes, and discusses the integration of Copula functions in multivariate analyses to enhance model applicability.
The authors propose a novel framework that uniquely combines discrete regime identification, state-dependent GARCH volatility modeling, and KL divergence-based structural break detection into a single end-to-end optimization process. This approach aims to address the limitations of existing models, which often treat structural breaks, regime identification, and volatility modeling as separate phenomena. By leveraging the strengths of deep learning while incorporating prior statistical knowledge, the proposed framework seeks to improve prediction accuracy and applicability in high-risk financial environments. The effectiveness of this unified model is validated using public datasets, such as the S&P 500 index and Bitcoin, and is positioned as a significant advancement for intelligent risk management systems in financial technology.
Methods
In this section, the authors detail the methodology employed to assess the validity and generalizability of their proposed financial model using two distinct datasets. The primary dataset encompasses daily closing price indices for the S&P 500 from January 2000 to December 2023, covering significant market events such as the dot-com bubble, the global financial crisis, the European debt crisis, and the COVID-19 pandemic. The auxiliary dataset consists of daily Bitcoin-to-US-dollar prices from January 2017 to December 2023, chosen for its high volatility, which is beneficial for testing the model’s applicability to emerging assets. Data preprocessing involved calculating log returns, handling missing values through linear interpolation, addressing outliers via winsorization, and normalizing using Z-scores.
The dataset was divided into training (2000-2019), validation (2020-2021), and test (2022-2023) sets, with respective sizes of approximately 5,040, 504, and 504 trading days. Key parameters included a rolling window size of 60 days, a mini-batch size of 32, an initial learning rate of 0.001 with cosine annealing, and an early stopping criterion patience of 15 epochs. Benchmark models for comparison included MS-GARCH, pure LSTM, ARIMA-GARCH, and HMM-GARCH. The experiments were conducted on an NVIDIA RTX 3090 GPU using the PyTorch 1.12 library, with a fixed random seed for reproducibility across three iterations of each experiment.
Discussion
The proposed deep learning-driven regime switching model presents a novel probabilistic framework for optimizing the estimation of structural breaks, state classification, and modeling volatility clustering in financial time series. By leveraging the nonlinear mapping capabilities of deep learning, the model overcomes the parametric constraints of traditional Markovian switching models. It operates on a log return series driven by a latent discrete state variable representing different market regimes, such as low-volatility bull markets and high-volatility crises. The model employs a first-order Markov chain for state dynamics, enhanced by a bidirectional Long Short-Term Memory (LSTM) network and an attention mechanism to capture complex temporal dependencies without the need for higher-order formulations. This results in a flexible transition probability function that adapts to historical volatility patterns, allowing for a more nuanced understanding of regime shifts.
The model’s architecture integrates multiple components, including a break detection module based on Kullback-Leibler divergence, a volatility prediction module utilizing state-dependent GARCH parameters, and a regime identification module enhanced by attention mechanisms. Empirical validation demonstrates the model’s effectiveness, achieving high accuracy in regime identification and structural break detection, with a precision of 83.3% and a recall of 100%. Additionally, the model outperforms traditional methods in return prediction, evidenced by a 24.6% reduction in mean squared error compared to the MS-GARCH baseline. Statistical tests confirm the significance of these performance improvements, indicating that the proposed model consistently yields more accurate forecasts and better risk estimates across various market conditions.