DOI: https://doi.org/10.1371/journal.pone.0323015
PMID: https://pubmed.ncbi.nlm.nih.gov/40344172
تاريخ النشر: 2025-05-09
المؤلف: Shafiqah Azman وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم البحث نموذج توقع من مرحلتين مصمم لتعزيز دقة وموثوقية توقعات أسعار الأسهم، مع معالجة التحديات التي تطرحها الطبيعة غير المتجانسة والمتقلبة لبيانات سوق الأسهم. تستخدم المرحلة الأولى طريقة اختيار الميزات المعتمدة على مجموعة الغابات العشوائية (RFS)، مستفيدة من التحقق المتكرر باستخدام تقنية k-fold لتحديد المجموعة المثلى من الميزات من ثمانية متنبئين، بما في ذلك أعلى سعر، أدنى سعر، وحجم التداول. في المرحلة الثانية، يتم إدخال هذه الميزات المختارة في نموذج وحدة متكررة ذات بوابات ثنائية الاتجاه مع آلية انتباه (BiGRU-AM)، والذي يتوقع أسعار الافتتاح اليومية لعشرة مؤشرات أسهم. يظهر النموذج المقترح أداءً متفوقًا مقارنةً باثني عشر نموذجًا مرجعيًا، كما يقاس بخطأ الجذر التربيعي المتوسط (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد ($R^2$)، مما يسهل اتخاذ قرارات استثمارية أكثر وعيًا.
تسلط الدراسة الضوء على فعالية دمج تقنيات اختيار الميزات مع نماذج التعلم العميق المتقدمة لمعالجة تعقيدات بيانات السلاسل الزمنية المالية، مثل عدم الخطية والاعتماد الزمني. تشمل اتجاهات البحث المستقبلية تعزيز عملية اختيار الميزات من خلال دمج اختبارات السببية لإزالة الميزات الزائدة، مما قد يحسن الكفاءة الحاسوبية ويحافظ على دقة التوقع. بالإضافة إلى ذلك، قد يؤدي استكشاف النسخ المصححة من نموذج BiGRU-AM إلى تحسين دقة التوقع وأداء النموذج، خاصة في التعامل مع الخصائص غير الخطية وتقليل الإفراط في التكيف. بشكل عام، تؤكد النتائج على الآثار العملية للمستثمرين الذين يسعون لتقليل المخاطر وزيادة الأرباح من خلال تحسين منهجيات توقع أسعار الأسهم.
مقدمة
تسلط المقدمة الضوء على التعقيدات المرتبطة بتحليل بيانات سوق الأسهم، ويرجع ذلك أساسًا إلى عدم استقراره، وتقلبه الديناميكي، والعلاقات المعقدة بين الأصول المالية والمشاركين في السوق. تسهم هذه العوامل في وجود ضوضاء كبيرة، مما يجعل التنبؤ الموثوق بمؤشرات الأسهم أمرًا حيويًا للمستثمرين الذين يهدفون إلى تحسين الأرباح مع تقليل المخاطر. غالبًا ما تكافح النماذج الإحصائية التقليدية في التنبؤ في هذا السياق بسبب التعقيد الفطري للبيانات، وعدم الخطية، وعدم الاستقرار.
تتمثل إحدى التحديات الرئيسية المحددة في الاختيار الفعال للميزات المهمة من مجموعة متنوعة من المتنبئين المحتملين، والتي تشمل الأسعار التاريخية، وأحجام التداول، والمؤشرات الاقتصادية الكلية، وبيانات معنويات السوق. يمكن أن يؤدي اختيار الميزات غير الكافي إلى ارتفاع الأبعاد في نماذج التنبؤ، مما يؤدي إلى الإفراط في التكيف، وزيادة المتطلبات الحاسوبية، وانخفاض دقة التنبؤ. وبالتالي، فإن معالجة هذه القضايا أمر ضروري لتعزيز موثوقية توقعات سوق الأسهم.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة. استخدمت الدراسة نهجًا كميًا، مستفيدة من الأدوات الإحصائية لتحليل البيانات المجمعة من الاستطلاعات والتجارب.
تم اختيار المشاركين بناءً على معايير إدراج محددة لضمان صلة وموثوقية النتائج. شملت جمع البيانات أدوات موحدة لقياس المتغيرات ذات الصلة، تلتها تحليل إحصائي صارم لاختبار الفرضيات. تم تفسير النتائج في سياق الأدبيات الموجودة، مما يوفر رؤى حول آثار النتائج وتطبيقاتها المحتملة في المجال.
النتائج
تقيم نتائج الدراسة أداء النموذج المقترح (M13) مقابل اثني عشر نموذجًا مرجعيًا (M1-M12) باستخدام مقاييس مثل خطأ الجذر التربيعي المتوسط (RMSE)، ومتوسط الخطأ المطلق (MAE)، وقيم R². توضح التمثيلات المرئية، بما في ذلك الرسوم البيانية لأسعار الافتتاح الفعلية مقابل القيم المتوقعة لعشرة مؤشرات أسهم، فعالية النهج ذي المرحلتين في توقع أسعار الافتتاح. يكشف التحليل أن أعلى سعر (F2) وأدنى سعر (F3) هما الميزتان الأكثر أهمية عبر معظم المؤشرات، مما يعكس تقلب السوق ونطاق التداول، وهما أمران أساسيان لاتخاذ قرارات تداول مستنيرة.
تشير نتائج اختيار الميزات إلى أن F2 وF3 وF6 (التغيير) وF7 (نسبة تغيير السعر) هي المتنبئات الأكثر أهمية لأسعار الافتتاح. من الجدير بالذكر أن F2 وF3 مدرجتان لجميع المؤشرات باستثناء FTSE 100 وIPC، بينما تم استبعاد F6 لـ CAC 40 وAEX، وتم حذف F7 فقط لـ FTSE 100 وBEL 20. تؤكد الدراسة على أهمية هذه الميزات في التقاط ديناميات السوق والمساعدة في التنبؤ الدقيق، بينما لم يتم اختيار F8 (السعة)، مما يشير إلى محدودية صلتها عند النظر في التفاعلات مع ميزات أخرى. تعزز طريقة اختيار الميزات التكرارية (RFS) موثوقية التوقعات من خلال التركيز على أهمية الميزات وترابطها.
المناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلفون أهمية نماذج السلاسل الزمنية الإحصائية، وخاصة نماذج ARIMA وGARCH، في تحليل البيانات المالية والتنبؤ. تعتبر نماذج ARIMA بارعة في التقاط الاتجاهات والموسمية في بيانات السلاسل الزمنية الأحادية، بينما تركز نماذج GARCH على نمذجة التقلب، مع معالجة عدم التجانس الشائع في مجموعات البيانات المالية. على الرغم من فائدتها، غالبًا ما تكافح هذه النماذج في الأسواق الديناميكية التي تتسم بالضوضاء الناتجة عن عوامل خارجية متنوعة. لتعزيز القدرات التنبؤية، يقترح المؤلفون دمج النماذج الإحصائية الهجينة مع تقنيات التعلم العميق، مؤكدين على الحاجة إلى نماذج أكثر قوة للتكيف مع خصائص البيانات المالية المتطورة.
تناقش الورقة أيضًا دور الغابات العشوائية (RF) في اختيار الميزات، وهو أمر حيوي لتحسين دقة التنبؤ من خلال تقليل الإفراط في التكيف. تعتبر RF، كطريقة تعلم جماعي، فعالة في تحديد المتنبئات الرئيسية من مجموعات البيانات الكبيرة، مما يعزز أداء النموذج. يقدم المؤلفون نموذج توقع من مرحلتين يجمع بين RF لاختيار الميزات مع نموذج وحدة متكررة ذات بوابات ثنائية الاتجاه (BiGRU) معززة بآلية انتباه (AM). يتم تطبيق هذا النهج المبتكر لتوقع أسعار الأسهم، مما يظهر أداءً متفوقًا مقارنة بالنماذج التقليدية. يحقق النموذج المقترح أدنى قيم RMSE وMAE عبر مؤشرات الأسهم المختلفة، مما يبرز فعالية المنهجية المدمجة في التنبؤ المالي.
DOI: https://doi.org/10.1371/journal.pone.0323015
PMID: https://pubmed.ncbi.nlm.nih.gov/40344172
Publication Date: 2025-05-09
Author(s): Shafiqah Azman et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research presents a two-stage forecasting model designed to enhance the accuracy and reliability of stock price predictions, addressing the challenges posed by the heteroscedastic and volatile nature of stock market data. The first stage employs a random forest subset-based (RFS) feature selection method, utilizing repeated k-fold cross-validation to identify the optimal subset of features from eight predictors, including highest price, lowest price, and trading volume. In the second stage, these selected features are input into a bidirectional gated recurrent unit with an attention mechanism (BiGRU-AM) model, which forecasts daily opening prices for ten stock indices. The proposed model demonstrates superior performance compared to twelve benchmark models, as measured by root mean squared error (RMSE), mean absolute error (MAE), and the coefficient of determination ($R^2$), thereby facilitating more informed investment decisions.
The study highlights the effectiveness of combining feature selection techniques with advanced deep learning models to address the complexities of financial time series data, such as nonlinearity and temporal dependencies. Future research directions include enhancing the feature selection process by incorporating causality tests to eliminate redundant features, which could improve computational efficiency and maintain prediction accuracy. Additionally, exploring error-corrected versions of the BiGRU-AM model may further refine prediction accuracy and model performance, particularly in handling nonlinear characteristics and reducing overfitting. Overall, the findings underscore the practical implications for investors seeking to minimize risks and maximize profits through improved stock price forecasting methodologies.
Introduction
The introduction highlights the complexities involved in analyzing stock market data, primarily due to its non-stationarity, dynamic volatility, and intricate relationships among financial assets and market participants. These factors contribute to significant noise, making reliable prediction of stock indices crucial for investors aiming to optimize profits while minimizing risks. Traditional statistical models often struggle with forecasting in this context due to the data’s inherent complexity, nonlinearity, and non-stationarity.
A key challenge identified is the effective selection of important features from a diverse set of potential predictors, which includes historical prices, trading volumes, macroeconomic indicators, and market sentiment data. Inadequate feature selection can lead to high dimensionality in forecasting models, resulting in overfitting, increased computational demands, and diminished predictive accuracy. Thus, addressing these issues is essential for enhancing the reliability of stock market predictions.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized. The study employed a quantitative approach, utilizing statistical tools to analyze the data gathered from surveys and experiments.
Participants were selected based on specific inclusion criteria to ensure the relevance and reliability of the findings. Data collection involved standardized instruments to measure the variables of interest, followed by rigorous statistical analysis to test the hypotheses. The results were interpreted in the context of existing literature, providing insights into the implications of the findings and their potential applications in the field.
Results
The results of the study evaluate the performance of the proposed model (M13) against twelve benchmark models (M1-M12) using metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and R² values. Visual representations, including plots of actual opening prices versus forecasted values for ten stock indices, demonstrate the efficacy of the two-stage approach in predicting opening prices. The analysis reveals that the highest price (F2) and lowest price (F3) are the most critical features across most indices, reflecting market volatility and trading range, which are essential for informed trading decisions.
Feature selection results indicate that F2, F3, F6 (Change), and F7 (Price change ratio) are the most significant predictors of opening prices. Notably, F2 and F3 are included for all indices except the FTSE 100 and IPC, while F6 is excluded for CAC 40 and AEX, and F7 is omitted only for FTSE 100 and BEL 20. The study emphasizes the importance of these features in capturing market dynamics and aiding accurate forecasting, while F8 (Amplitude) was not selected, suggesting its limited relevance when considering interactions with other features. The proposed Recursive Feature Selection (RFS) method enhances the reliability of forecasts by focusing on feature importance and their interdependencies.
Discussion
In the discussion section of the research paper, the authors highlight the significance of statistical time series models, particularly the ARIMA and GARCH models, in financial data analysis and forecasting. ARIMA models are adept at capturing trends and seasonality in univariate time series data, while GARCH models focus on modeling volatility, addressing heteroscedasticity common in financial datasets. Despite their utility, these models often struggle in dynamic markets characterized by noise from various external factors. To enhance predictive capabilities, the authors propose integrating hybrid statistical models with deep learning techniques, emphasizing the need for more robust models to adapt to evolving financial data characteristics.
The paper also discusses the role of Random Forest (RF) in feature selection, which is crucial for improving forecasting accuracy by mitigating overfitting. RF, as an ensemble learning method, effectively identifies key predictors from large datasets, thereby enhancing model performance. The authors present a two-stage forecasting model that combines RF for feature selection with a Bidirectional Gated Recurrent Unit (BiGRU) model enhanced by an Attention Mechanism (AM). This innovative approach is applied to predict stock prices, demonstrating superior performance compared to traditional models. The proposed model achieves the lowest RMSE and MAE values across various stock indices, underscoring the effectiveness of the combined methodology in financial forecasting.