DOI: https://doi.org/10.1057/s41599-025-05348-z
تاريخ النشر: 2025-07-04
المؤلف: Liyun Su وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم البحث نموذجًا هجينًا جديدًا لشبكة عصبية كمومية، BLS-QLSTM، مصممًا لتعزيز توقعات اتجاه أسعار الأسهم من خلال معالجة قيود النماذج التقليدية والحالية في التعلم الآلي. يدمج النموذج نظام التعلم الواسع (BLS) مع شبكة الذاكرة طويلة وقصيرة الأمد الكمومية (QLSTM)، مما يعالج بفعالية التحديات التي تطرحها البيانات عالية الأبعاد والاعتمادات الزمنية في السلاسل الزمنية المالية الفوضوية. تتضمن المنهجية إعادة بناء فضاء الطور باستخدام طريقة كاو والمعلومات المتبادلة لتحسين أبعاد التضمين وتأخيرات الزمن، تليها تعزيز الميزات من خلال BLS وتحسين دقة التنبؤ عبر دوائر الكم المتغيرة لـ QLSTM.
تظهر التجارب الواسعة التي أجريت على ثلاثة مؤشرات أسهم صينية—CSI 300 وSSEC وCSI 500—أن BLS-QLSTM يتفوق بشكل كبير على نماذج LSTM وQLSTM التقليدية عبر مقاييس أداء متعددة، بما في ذلك تقليل بنسبة 36.5% في خطأ الجذر التربيعي المتوسط (RMSE) على مجموعة بيانات CSI 500. كما يحقق النموذج دقة تصنيف عالية وأداءً قويًا في التعرف على اتجاهات حركة أسعار الأسهم. بينما يظهر نموذج BLS-QLSTM وعدًا لكل من البحث الأكاديمي والتطبيقات العملية في سياقات الاستثمار والتنظيم، لا تزال هناك تحديات تتعلق بنضوج تكنولوجيا الحوسبة الكمومية وقابلية تفسير النموذج. يُقترح أن تركز الأبحاث المستقبلية على تحسين النموذج لتطبيقات أوسع وتحسين قابليته للاستخدام.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور المحوري للأسواق المالية، وخاصة أسواق الأسهم، في دفع النمو الاقتصادي العالمي وتعمل كمؤشرات لصحة الاقتصاد الوطني. تؤكد على ضرورة وجود طرق فعالة لتوقع أسعار الأسهم بسبب تأثير العوامل الخارجية المختلفة على تقلبات أسعار الأسهم، التي تظهر سلوكًا غير خطي وفوضوي. تعتمد النماذج الإحصائية التقليدية، رغم فائدتها، غالبًا على افتراضات لا تنطبق على البيانات الواقعية، مما يدفع نحو التحول إلى تقنيات التعلم الآلي التي يمكن أن تتعامل بشكل أفضل مع هذه التعقيدات. ومع ذلك، حتى طرق التعلم الآلي تواجه تحديات في التقاط الاعتمادات طويلة الأمد والمعلومات المحلية داخل بيانات السلاسل الزمنية.
لمعالجة هذه القيود، يقدم الدراسة نموذجًا هجينًا جديدًا يسمى BLS-QLSTM، الذي يدمج نظام التعلم الواسع (BLS) مع الشبكات العصبية الكمومية لتعزيز دقة توقع أسعار الأسهم. يستفيد النموذج من نقاط القوة في BLS لتمثيل الميزات وي incorporat دوائر الكم المتغيرة (VQCs) لتخفيف ضوضاء البيانات وتحسين استخراج الميزات المحلية. يتم التحقق من فعالية BLS-QLSTM من خلال التحليل التجريبي لثلاثة مؤشرات أسهم: CSI 300 وSSEC وCSI 500، مما يظهر ملاءمته لتوقع السلاسل الزمنية المالية الفوضوية. توضح الورقة هيكلها، مع تفاصيل مراجعة الأدبيات، والخلفية النظرية، وإطار النمذجة، والنتائج التجريبية، والملاحظات الختامية.
الطرق
في هذا القسم، يقدم المؤلفون الطرق المستخدمة لتحليل ثلاثة مؤشرات أسهم رئيسية صينية: CSI 300 وSSE Composite وCSI Smallcap 500، باستخدام بيانات أسعار الإغلاق اليومية من 4 يناير 2013 إلى 29 ديسمبر 2023. تقيم الدراسة أداء نموذج BLS-QLSTM مقابل نماذج LSTM وQLSTM التقليدية عبر مقاييس التنبؤ والتصنيف المختلفة. تفوق نموذج BLS-QLSTM باستمرار على نظرائه، محققًا تخفيضات كبيرة في خطأ الجذر التربيعي المتوسط (RMSE) ومتوسط الخطأ المطلق (MAE)، وأظهر دقة عالية في تصنيف الاتجاهات.
بالنسبة لمؤشر CSI 300، قلل نموذج BLS-QLSTM RMSE بنسبة 21.6% مقارنة بـ LSTM وحسن R² إلى 0.99570، مما يشير إلى ملاءمة قوية لاتجاهات السوق. في تصنيف الاتجاه، حقق دقة قدرها 0.72505 ودقة قدرها 0.72865، وهي أعلى بكثير من LSTM وQLSTM. لوحظت نتائج مماثلة لمؤشر SSE Composite ومؤشر CSI Smallcap 500، حيث أظهر نموذج BLS-QLSTM تخفيضات في RMSE بنسبة 23.3% و36.5%، على التوالي، جنبًا إلى جنب مع تحسين مقاييس التصنيف. بشكل عام، تؤكد النتائج على فعالية نموذج BLS-QLSTM في التقاط ديناميكيات السوق وتعزيز موثوقية التنبؤ عبر مؤشرات الأسهم المختلفة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التعقيدات المرتبطة بتوقع أسعار الأسهم، مشددًا على الضوضاء الفطرية والطبيعة الفوضوية لبيانات أسعار الأسهم. يصنف المنهجيات الحالية للتنبؤ إلى طرق إحصائية، وتقنيات تعلم الآلة، وطرق التعلم العميق. أظهرت الطرق الإحصائية التقليدية، مثل ARIMA وGARCH، فعاليتها في سياقات معينة ولكن تم انتقادها بسبب اعتمادها على افتراضات محددة قد تحد من دقتها التنبؤية. في المقابل، أظهرت تقنيات التعلم الآلي، بما في ذلك آلات الدعم الناقل (SVM) وطرق هندسة الميزات مثل تحليل المكونات الرئيسية باستخدام النواة (KPCA)، أداءً محسنًا في التعامل مع البيانات غير الخطية وغير الثابتة.
تستكشف الورقة أيضًا التقدم في التعلم العميق، خاصة استخدام الهياكل مثل الشبكات العصبية التلافيفية (CNN) والشبكات العصبية المتكررة (RNN) والشبكات طويلة وقصيرة الأمد (LSTM)، التي تم تطبيقها بنجاح في توقع أسعار الأسهم. من الجدير بالذكر أن الشبكات العصبية LSTM قد تم التعرف عليها لقدرتها على إدارة الاعتمادات طويلة الأمد في بيانات السلاسل الزمنية، على الرغم من أن التحديات لا تزال قائمة في تحسين أدائها. يتم تقديم دمج تقنيات الحوسبة الكمومية، وخاصة دوائر الكم المتغيرة (VQCs)، في نماذج الشبكات العصبية، مثل نموذج BLS-QLSTM الهجين المقترح، كمسار واعد لتعزيز دقة التنبؤ وكفاءة الحساب. يهدف هذا النموذج إلى الاستفادة من نقاط القوة في كل من أنظمة التعلم الواسع والحوسبة الكمومية لمعالجة التحديات التي تطرحها بيانات السلاسل الزمنية الفوضوية في توقعات سوق الأسهم.
DOI: https://doi.org/10.1057/s41599-025-05348-z
Publication Date: 2025-07-04
Author(s): Liyun Su et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research presents a novel hybrid quantum neural network model, BLS-QLSTM, designed to enhance stock price trend predictions by addressing the limitations of traditional and existing machine learning models. The model integrates a Broad Learning System (BLS) with a Quantum Long Short-Term Memory (QLSTM) network, effectively tackling the challenges posed by high-dimensional data and time dependencies in chaotic financial time series. The methodology involves phase-space reconstruction using the Cao method and mutual information to optimize embedding dimensions and time delays, followed by feature enhancement through BLS and improved prediction accuracy via QLSTM’s variational quantum circuits.
Extensive experiments conducted on three Chinese stock indices—CSI 300, SSEC, and CSI 500—demonstrate that BLS-QLSTM significantly outperforms traditional LSTM and QLSTM models across multiple performance metrics, including a 36.5% reduction in root mean square error (RMSE) on the CSI 500 dataset. The model also achieves high classification accuracy and robust performance in recognizing stock price movement trends. While the BLS-QLSTM model shows promise for both academic research and practical applications in investment and regulatory contexts, challenges remain regarding the maturity of quantum computing technology and the model’s interpretability. Future research is suggested to focus on optimizing the model for broader applications and improving its usability.
Introduction
The introduction of the research paper highlights the pivotal role of capital markets, particularly stock markets, in driving global economic growth and serving as indicators of national economic health. It emphasizes the necessity for effective stock price prediction methods due to the influence of various external factors on stock price fluctuations, which exhibit nonlinear and chaotic behavior. Traditional statistical models, while useful, often rely on assumptions that do not hold in real-world data, prompting a shift towards machine learning techniques that can better handle such complexities. However, even machine learning methods face challenges in capturing long-term dependencies and local information within time series data.
To address these limitations, the study introduces a novel hybrid model named BLS-QLSTM, which integrates a broad learning system (BLS) with quantum neural networks to enhance stock price prediction accuracy. The model leverages the strengths of BLS for feature representation and incorporates variational quantum circuits (VQCs) to mitigate data noise and improve local feature extraction. The effectiveness of BLS-QLSTM is validated through empirical analysis of three stock indices: CSI 300, SSEC, and CSI 500, demonstrating its suitability for chaotic financial time series prediction. The paper outlines its structure, detailing a literature review, theoretical background, modeling framework, experimental results, and concluding remarks.
Methods
In this section, the authors present the methods employed to analyze three major Chinese stock indices: the CSI 300, SSE Composite, and CSI Smallcap 500, utilizing daily closing price data from January 4, 2013, to December 29, 2023. The study evaluates the performance of the BLS-QLSTM model against traditional LSTM and QLSTM models across various prediction and classification metrics. The BLS-QLSTM model consistently outperformed its counterparts, achieving significant reductions in Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), and demonstrating high accuracy in trend classification.
For the CSI 300 index, the BLS-QLSTM model reduced RMSE by 21.6% compared to LSTM and improved R² to 0.99570, indicating a strong fit for market trends. In trend classification, it achieved a precision of 0.72505 and accuracy of 0.72865, significantly higher than LSTM and QLSTM. Similar results were observed for the SSE Composite and CSI Smallcap 500 indices, where the BLS-QLSTM model showed reductions in RMSE of 23.3% and 36.5%, respectively, alongside improved classification metrics. Overall, the findings underscore the BLS-QLSTM model’s effectiveness in capturing market dynamics and enhancing forecasting reliability across different stock indices.
Discussion
The discussion section of the research paper highlights the complexities involved in stock price prediction, emphasizing the inherent noise and chaotic nature of stock price data. It categorizes existing prediction methodologies into statistical, machine learning, and deep learning approaches. Traditional statistical methods, such as ARIMA and GARCH, have shown effectiveness in certain contexts but are criticized for their reliance on specific assumptions that may limit their predictive accuracy. In contrast, machine learning techniques, including support vector machines (SVM) and feature engineering methods like kernel principal component analysis (KPCA), have demonstrated improved performance in handling nonlinear and non-stationary data.
The paper further explores the advancements in deep learning, particularly the use of architectures like convolutional neural networks (CNN), recurrent neural networks (RNN), and long short-term memory (LSTM) networks, which have been applied successfully to stock price prediction. Notably, LSTM networks have been recognized for their ability to manage long-term dependencies in time series data, although challenges remain in optimizing their performance. The integration of quantum computing techniques, specifically variational quantum circuits (VQCs), into neural network models, such as the proposed hybrid BLS-QLSTM model, is presented as a promising avenue for enhancing prediction accuracy and computational efficiency. This model aims to leverage the strengths of both broad learning systems and quantum computing to address the challenges posed by chaotic time series data in stock market predictions.