DOI: https://doi.org/10.1007/s44163-025-00395-6
تاريخ النشر: 2025-10-15
المؤلف: Hasan Kazak وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تبحث ورقة البحث في دمج نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) مع الشبكات العصبية الاصطناعية (ANN) لتوقع أسعار الأسهم، مع التركيز بشكل خاص على مؤشر BIST 100. تتناول هذه الدراسة فجوة كبيرة في توقعات السوق المالية من خلال اقتراح منهجية جديدة تجمع بين نماذج ANN التقليدية وأنظمة المنطق الضبابي، مما يعزز القابلية للتفسير والقدرة على التكيف مع عدم اليقين في أسواق الأسهم. استخدم المؤلفون خوارزميات البحث الميتاهيرستية، مثل تحسين سرب الجسيمات (PSO) وتحسين مستعمرة النمل (ACO)، لتحسين الأوزان ودوال العضوية، مما يظهر أداءً تنبؤيًا واعدًا عبر منهجيات متنوعة، بما في ذلك الانحدار، وANN، وANFIS-PSO، وANFIS-ACO.
تكشف النتائج عن علاقات كبيرة بين مؤشر BIST 100 والمتغيرات المستقلة مثل سعر صرف الذهب/الليرة، ومؤشر الخوف VIX، وعائد السندات الحكومية لمدة عامين، مع الإشارة إلى أن R-squared المعدل يدل على أن هذه المتغيرات تفسر جزءًا كبيرًا من تباين المؤشر. تسلط الدراسة الضوء على فعالية التقنيات المعتمدة على الذكاء الاصطناعي في توقعات سوق الأسهم وتقترح أن الأبحاث المستقبلية يمكن أن تستكشف عوامل مؤثرة إضافية وتطبق المنهجية على أسواق مالية أخرى. الإطار الهجين المقترح لا يعزز فقط دقة التنبؤ ولكن يقدم أيضًا مزايا عملية لإدارة المحافظ وتحليل المخاطر، مما يعمل كآلية إنذار مبكر محتملة لصانعي السياسات استجابة لتقلبات السوق.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي لتعلم الآلة، وخاصة الشبكات العصبية الاصطناعية (ANN)، على توقعات السوق المالية. تشير إلى زيادة كبيرة في الأبحاث التي تركز على تطبيق ANN لهذا الغرض، مما يعكس اهتمامًا متزايدًا في استخدام منهجيات تعلم الآلة المتقدمة داخل قطاع المالية. تهدف مراجعة الأدبيات إلى تجميع الدراسات الحالية التي تستخدم ANN في التوقعات المالية، وبالتالي تقديم نظرة شاملة على الحالة الحالية للبحث في هذا المجال.
طرق
في هذا القسم، يحدد المؤلفون الأسس الرياضية التي تقوم عليها الشبكات العصبية الاصطناعية (ANNs)، مع التركيز على مكوناتها الهيكلية والوظيفية. يناقشون نهج نظام الاستدلال العصبي الضبابي التكيفي (ANFIS)، الذي يدمج الشبكات العصبية مع مبادئ المنطق الضبابي لتعزيز عمليات اتخاذ القرار. بالإضافة إلى ذلك، يتناول القسم خوارزميات ميتاهيرستية متنوعة، وهي تقنيات تحسين مصممة لحل المشكلات المعقدة من خلال استكشاف واستغلال فضاءات الحلول بشكل فعال.
تستكشف التطبيقات لهذه المنهجيات في سياق الدراسة، مما يبرز كيف يمكن استخدام ANNs وANFIS لنمذجة وتوقع النتائج، بينما تسهل الخوارزميات الميتاهيرستية تحسين المعلمات ضمن هذه الأطر. يهدف دمج هذه الأساليب إلى تحسين الأداء والدقة في التطبيقات المحددة التي تتناولها الأبحاث.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يتضمن بيانات كمية تدعم الفرضيات الموضحة في المقدمة. تشير النتائج إلى وجود علاقة كبيرة بين المتغيرات المدروسة، مع كشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المرجح أن تكون نتيجة للصدفة.
بالإضافة إلى ذلك، يبرز القسم نتائج محددة، مثل فعالية الطريقة المقترحة مقارنة بالأساليب الحالية، مقاسة من خلال مقاييس أداء متنوعة. تُستخدم التمثيلات الرسومية، مثل المخططات والجداول، لتوضيح البيانات بوضوح، مما يسمح بمقارنة مباشرة للنتائج عبر ظروف أو مجموعات مختلفة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للمجال، مما يعزز من أهمية سؤال البحث وصلاحية المنهجيات المقترحة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في توقع أسعار الأسهم من خلال تطبيق الشبكات العصبية الاصطناعية (ANN) ونماذجها الهجينة. تظهر دراسات بارزة أن نماذج ANN، خاصة عند دمجها مع تقنيات مثل الخوارزميات الجينية، والأساليب التطورية التكيفية، وهياكل التعلم العميق، تعزز بشكل كبير من دقة التنبؤ مقارنة بالنماذج التقليدية مثل الانحدار الخطي وGARCH. على سبيل المثال، يبرز عمل ديساي وبهارتي عدم الخطية في عوائد الأصول، بينما يقدم وانغ وآخرون نموذجًا هجينًا فوضويًا يحسن دقة التنبؤ بأسعار الأسهم. علاوة على ذلك، أثبت دمج المؤشرات الفنية والهياكل المبتكرة، مثل شبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، فعاليته في التقاط الديناميكيات المعقدة للسوق وتحسين قدرات التوقع.
يتناول القسم أيضًا الاهتمام المتزايد في تحليل مشاعر السوق باستخدام ANN، حيث تشير الدراسات إلى أن تصنيف المشاعر يمكن أن يؤثر على توقعات سوق الأسهم. بالإضافة إلى ذلك، تُظهر تطبيقات ANN في توقع أسعار الخيارات والسلع مرونتها عبر أدوات مالية متنوعة. استكشف الباحثون فعالية ANN خلال الأحداث غير المتوقعة، مثل جائحة COVID-19، مما يكشف عن إمكاناتها في نمذجة الاضطرابات السوقية. تحدد الورقة فجوة بحثية في دمج أنظمة الاستدلال العصبي الضبابي التكيفي (ANFIS) مع ANN لتوقع أسعار الأسهم، خاصة في الأسواق الناشئة مثل مؤشر BIST 100. تهدف هذه المقاربة المبتكرة إلى تعزيز القابلية للتفسير والقدرة على التكيف في التوقعات المالية، مما يساهم في النقاش الأوسع حول النمذجة التنبؤية في البيئات الديناميكية.
DOI: https://doi.org/10.1007/s44163-025-00395-6
Publication Date: 2025-10-15
Author(s): Hasan Kazak et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper investigates the integration of Adaptive Neuro-Fuzzy Inference System (ANFIS) with Artificial Neural Networks (ANN) for predicting stock prices, specifically focusing on the BIST 100 Index. This study addresses a significant gap in financial market forecasting by proposing a novel methodology that combines traditional ANN models with fuzzy logic systems, enhancing interpretability and adaptability to the uncertainties of stock markets. The authors employed metaheuristic search algorithms, such as Particle Swarm Optimization (PSO) and Ant Colony Optimization (ACO), to optimize weights and membership functions, demonstrating promising predictive performance across various methodologies, including regression, ANN, ANFIS-PSO, and ANFIS-ACO.
The findings reveal significant relationships between the BIST 100 Index and independent variables such as the Gold/TL Exchange Rate, VIX Fear Index, and Government 2-year Bond Yield, with the adjusted R-squared indicating that these variables explain a substantial portion of the index’s variance. The study highlights the effectiveness of AI-based techniques in stock market forecasting and suggests that future research could explore additional influencing factors and apply the methodology to other financial markets. The proposed hybrid framework not only enhances predictive accuracy but also offers practical advantages for portfolio management and risk analysis, serving as a potential early warning mechanism for policymakers in response to market fluctuations.
Introduction
The introduction highlights the transformative impact of machine learning, specifically artificial neural networks (ANN), on financial market forecasting. It notes a substantial increase in research focused on the application of ANN for this purpose, reflecting a burgeoning interest in employing advanced machine learning methodologies within the finance sector. The literature review aims to synthesize existing studies that utilize ANN in financial forecasting, thereby offering a comprehensive overview of the current state of research in this area.
Methods
In this section, the authors outline the mathematical foundations underlying artificial neural networks (ANNs), emphasizing their structural and functional components. They discuss the Adaptive Neuro-Fuzzy Inference System (ANFIS) approach, which integrates neural networks with fuzzy logic principles to enhance decision-making processes. Additionally, the section delves into various metaheuristic algorithms, which are optimization techniques designed to solve complex problems by exploring and exploiting solution spaces effectively.
The applications of these methodologies are explored within the context of the study, highlighting how ANNs and ANFIS can be employed to model and predict outcomes, while metaheuristic algorithms facilitate the optimization of parameters within these frameworks. The integration of these approaches aims to improve performance and accuracy in the specific applications addressed in the research.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It includes quantitative data that supports the hypotheses outlined in the introduction. The results indicate a significant correlation between the variables studied, with statistical analyses revealing p-values less than 0.05, suggesting that the observed effects are unlikely due to chance.
Additionally, the section highlights specific outcomes, such as the effectiveness of the proposed method compared to existing approaches, measured through various performance metrics. Graphical representations, such as charts and tables, are utilized to illustrate the data clearly, allowing for a straightforward comparison of results across different conditions or groups. Overall, the findings contribute valuable insights to the field, reinforcing the relevance of the research question and the validity of the proposed methodologies.
Discussion
The discussion section of the research paper highlights the advancements in stock price forecasting through the application of Artificial Neural Networks (ANN) and their hybrid models. Notable studies demonstrate that ANN models, particularly when combined with techniques such as genetic algorithms, adaptive evolutionary methods, and deep learning architectures, significantly enhance predictive accuracy compared to traditional models like linear regression and GARCH. For instance, Desai and Bharati’s work emphasizes the nonlinearity in asset returns, while Wang et al. introduce a chaotic hybrid model that improves prediction accuracy for stock prices. Furthermore, the integration of technical indicators and innovative architectures, such as Long Short-Term Memory (LSTM) networks, has proven effective in capturing complex market dynamics and improving forecasting capabilities.
The section also addresses the growing interest in market sentiment analysis using ANN, where studies indicate that sentiment classification can influence stock market predictions. Additionally, the application of ANN in forecasting option and commodity prices showcases its versatility across various financial instruments. Researchers have explored the effectiveness of ANN during unforeseen events, such as the COVID-19 pandemic, revealing its potential in modeling market disruptions. The paper identifies a research gap in the integration of Adaptive Neuro-Fuzzy Inference Systems (ANFIS) with ANN for stock price prediction, particularly in emerging markets like the BIST 100 Index. This innovative approach aims to enhance interpretability and adaptability in financial forecasting, contributing to the broader discourse on predictive modeling in dynamic environments.