DOI: https://doi.org/10.1038/s41598-025-88734-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39934296
تاريخ النشر: 2025-02-11
المؤلف: Kangyi Wang
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم ورقة البحث نموذج توقع متعدد العوامل لتحليل سوق الأسهم باستخدام تقنيات التعلم العميق، من خلال إطار تعلم سيغمويد. يتناول النموذج عدم الاستقرار الكامن في سوق الأسهم، والذي يتأثر بعوامل مختلفة بما في ذلك سلوك المستثمر وتبادلات السلع العالمية. من خلال اعتماد نهج قائم على العوامل المتناقضة، يقوم النموذج بتحديد العوامل المؤثرة المختلفة على نتائج الربح، مستفيدًا من بيانات الأسهم الحية وقيم تبادلها.
تشمل عملية التوقع تطبيق طبقات سيغمويد وغير سيغمويد بشكل تكراري حتى يتم تحقيق أقصى استقرار. يقوم النموذج بتعديل دالة السيغمويد باستمرار بناءً على التغيرات الفعلية في السوق لتعزيز دقة التوقع، بينما تظل طبقة غير السيغمويد ثابتة. يسمح هذا الآلية التكيفية للنموذج بتحديد التغيرات المفاجئة في سوق الأسهم بشكل فعال، مما يحسن دقة توقعاته لساعات متتالية من تقلبات السوق.
النتائج
يقدم قسم النتائج تحليلًا مقارنًا لمختلف أساليب التعلم العميق (DL) لتوقع سوق الأسهم، مع تسليط الضوء على منهجياتها ونتائج أدائها. استخدم شابان وآخرون خوارزمية الذاكرة طويلة وقصيرة الأجل (LSTM) لتعزيز دقة التوقع لأسعار إغلاق الأسهم. استخدم وانغ وآخرون نموذج تحويل عميق لاستخراج ميزات هامة من ديناميات السوق، مما زاد من أداء التوقع. قدم حفيظ وآخرون نهج تطوري مشترك باستخدام بحث في بنية الشبكات العصبية لتحسين اختيار الميزات، مما حسن أداء نظام التوقع. بالإضافة إلى ذلك، تم اقتراح شبكة عصبية تلافيفية متعددة الرسوم البيانية الزمانية (MGCNN) لتوقع الاتجاهات.
يتناول القسم أيضًا مقاييس مثل دقة التوقع، واكتشاف التغيرات، ومطابقة الاستقرار، وخطأ النطاق، ووقت الاكتشاف، التي تم تقييمها على مدى فترة زمنية محددة (فبراير إلى مايو 2023) وعوامل مؤثرة مختلفة. يتم مقارنة أداء النموذج المقترح مع الأساليب الحالية، بما في ذلك SMP-DL وHDFM وPPO-TLSTM. تشير التحليلات إلى أن توسيع التقييم ليشمل مؤشرات أوسع مثل مؤشر شنغهاي المركب ومؤشر A50 قد يعزز من قوة النموذج وقدرته على التكيف مع ظروف السوق المختلفة. يهدف هذا التقييم الشامل إلى تحديد فعالية النموذج في توقع الاستقرار عبر بيئات تداول متنوعة وسلوكيات المستثمرين، مما يحسن في النهاية موثوقية النتائج.
المناقشة
يستعرض قسم المناقشة في الورقة منهجيات متقدمة مختلفة لتوقع سوق الأسهم، مع التركيز على دمج تقنيات التعلم العميق لتعزيز الدقة والكفاءة. قدم كاباني ودومان (2019) نهج التعلم العميق المعزز (DRL) الذي يحسن أداء المتداول من خلال توقع مشاكل السوق وتقليل التكاليف الحسابية. استخدم بيفاندزاده وآخرون (2020) نموذج الذاكرة طويلة وقصيرة الأجل الانتقائي (TLSTM) مع تحليل مشاعر وسائل التواصل الاجتماعي لمعالجة اختلالات السوق، مما حسن دقة التوقع. تشمل المساهمات البارزة الأخرى البهلي وآخرون (2021)، الذين استخدموا شبكة انتباه هرمية (HANet) لاستخراج ميزات حيوية من المقالات الإخبارية، وعلي زاده وآخرون (2022)، الذين اقترحوا خوارزمية تحسين متعددة السكان هجينة تعزز أداء التوقع مع تقليل استهلاك الطاقة.
كما يقدم القسم نموذج توقع استقرار قائم على العوامل المتناقضة يستخدم كل من عمليات التعلم العميق السيغمويد وغير السيغمويد لتحليل استقرار سوق الأسهم. يحدد هذا النموذج ويquantifies عوامل مؤثرة مختلفة—مثل البيانات الاقتصادية، ومشاعر المستثمر، والأحداث الجيوسياسية—مما يسمح بفهم شامل لديناميات السوق. من خلال تعديل الأوزان بشكل تكراري بناءً على البيانات التاريخية، يهدف النموذج إلى تحسين دقة التوقع وتقليل التقلبات، مما يعزز في النهاية بيئة تداول أكثر استقرارًا. لا تعزز دمج هذه المنهجيات المتقدمة دقة التوقع فحسب، بل تدعم أيضًا قرارات الاستثمار الاستراتيجية، مما يوفر قيمة كبيرة للمستثمرين في إدارة المخاطر وتحسين العوائد.
القيود
يظهر النموذج المقترح قابلية التكيف في الانتقال من توقعات سوق الأسهم بالساعة إلى اليومية، على الرغم من أن ذلك يتطلب إعادة ضبط المعلمات والتدريب على بيانات يومية مجمعة بشكل مناسب. باستخدام تقنيات التعلم العميق، يدير النموذج بفعالية البيانات التسلسلية والزمنية، مما يسمح له بالتقاط كل من التقلبات قصيرة الأجل والاتجاهات طويلة الأجل من خلال تصميمه لطبقات سيغمويد وغير سيغمويد.
بينما يظهر النموذج مرونة عبر مختلف دقة الوقت، فإن فعاليته تعتمد على التكيف الصحيح مع الديناميات المحددة لبيانات السوق اليومية. تؤكد مقاييس الاستقرار والدقة المقدمة في المخطوطة على قدرة النموذج على الحفاظ على الأداء عبر مقاييس زمنية مختلفة، مما يبرز قوته في سياقات التوقع المتنوعة.
DOI: https://doi.org/10.1038/s41598-025-88734-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39934296
Publication Date: 2025-02-11
Author(s): Kangyi Wang
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper presents a multifactor prediction model for stock market analysis utilizing deep learning techniques, specifically through a sigmoid learning framework. The model addresses the inherent instability of the stock market, which is influenced by various factors including investor behavior and global commodity exchanges. By employing a contradictory-factor-based approach, the model maps different influencing factors to profit outcomes, leveraging live share data and their exchange values.
The prediction process involves iteratively applying both sigmoid and non-sigmoid layers until a maximum stability is achieved. The model continuously adjusts the sigmoid function based on actual market changes to enhance prediction accuracy, while the non-sigmoid layer remains constant. This adaptive mechanism allows the model to effectively identify abrupt changes in the stock market, thereby improving the precision of its forecasts for consecutive hours of market fluctuations.
Results
The results section presents a comparative analysis of various deep learning (DL) approaches for stock market prediction, highlighting their methodologies and performance outcomes. Shaban et al. employed a Long Short-Term Memory (LSTM) algorithm to enhance prediction precision for stock closing prices. Wang et al. utilized a deep transformer model to extract significant features from market dynamics, thereby maximizing prediction performance. Hafiz et al. introduced a co-evolution approach using neural architecture search to optimize feature selection, which improved forecasting system performance. Additionally, a spatio-temporal multi-graph convolutional neural network (MGCNN) was proposed for trend prediction.
The section further details metrics such as precision prediction, change detection, stability matching, range error, and detection time, evaluated over a specified timeframe (February to May 2023) and various influencing factors. The proposed model’s performance is compared against existing methods, including SMP-DL, HDFM, and PPO-TLSTM. The analysis suggests that expanding the evaluation to include broader indices like the Shanghai Composite Index and the A50 Index could enhance the model’s robustness and adaptability to different market conditions. This comprehensive assessment aims to determine the model’s effectiveness in predicting stability across diverse trading environments and investor behaviors, ultimately improving the reliability of the results.
Discussion
The discussion section of the paper reviews various advanced methodologies for stock market prediction, emphasizing the integration of deep learning techniques to enhance accuracy and efficiency. Kabbani and Duman (2019) introduced a deep reinforcement learning (DRL) approach that optimizes trader performance by predicting market issues and reducing computational costs. Peivandizadeh et al. (2020) utilized a transductive long short-term memory (TLSTM) model combined with social media sentiment analysis to address market imbalances, improving prediction accuracy. Other notable contributions include Albahli et al. (2021), who employed a hierarchical attention network (HANet) to extract critical features from news articles, and Alizadeh et al. (2022), who proposed a hybrid multi-population optimization algorithm that enhances prediction performance while minimizing energy consumption.
The section also introduces a novel contradictory-factor-based stability prediction model that employs both sigmoid and non-sigmoid deep learning processes to analyze stock market stability. This model identifies and quantifies various influencing factors—such as economic data, investor sentiment, and geopolitical events—allowing for a comprehensive understanding of market dynamics. By iteratively adjusting weights based on historical data, the model aims to improve prediction precision and reduce volatility, ultimately fostering a more stable trading environment. The integration of these advanced methodologies not only enhances predictive accuracy but also supports strategic investment decisions, thereby providing significant value to investors in managing risks and optimizing returns.
Limitations
The proposed model demonstrates adaptability in transitioning from hourly to daily stock market predictions, although this requires parameter re-tuning and training on appropriately aggregated daily data. Utilizing deep learning techniques, the model effectively manages sequential and temporal data, allowing it to capture both short-term fluctuations and long-term trends through its design of sigmoid and non-sigmoid layers.
While the model exhibits flexibility across various time granularities, its effectiveness is contingent upon proper adaptation to the specific dynamics of daily market data. The stability and precision metrics presented in the manuscript further underscore the model’s capability to maintain performance across different temporal scales, highlighting its robustness in diverse predictive contexts.