منصة الرسائل والاطاريح: التٌبؤ وتحليل سوق الأوراق الوالية باستخذام تقٌيات التعلن العويق

الخلاصة

يعد التنبؤ بسوق الأوراق المالية أحد مجالات الدراسة المثيرة للاهتمام والناشئة في المجال المالي والتي جذبت انتباه الباحثين في الماضي القريب. إن مجموعة بيانات الأوراق المالية غير منظمة وغير متوقعة وديناميكية وغير ثابتة وتحتوي على ضوضاء، مما يجعل من الصعب تحليلها. غالبًا ما تفشل النماذج التقليدية في التقاط الأنماط المعقدة والتبعيات في البيانات المالية. الهدف من هذه الرسالة هو التحقيق في التنبؤ بسوق الأوراق المالية وتحليلها باستخدام تقنيات التعلم العميق المتقدمة، وتحديدًا شبكات الذاكرة طويلة المدى القصيرة (LSTM). الهدف الأساسي هو تعزيز دقة وموثوقية تنبؤات سوق الأوراق المالية من خلال الاستفادة من الارتباط والمعلومات المتبادلة لاختيار الميزات والمؤشرات الفنية. يتكون النظام المقترح من عدة مراحل، بما في ذلك معالجة البيانات المسبقة، وهي إعداد البيانات لعملية التعدين، والتي تشمل إزالة القيم المفقودة وإزالة البيانات المكررة وتحويل البيانات والتطبيع. بعد مرحلة معالجة البيانات المسبقة، ينتقل النظام إلى مرحلة إنشاء المؤشر الفني، تليها مرحلة اختيار الميزات. لحساب مجموعة من المحددات التي تساعدنا في تكوين مجموعة من الميزات الضرورية والملائمة لمرحلة التنبؤ. تبدأ مرحلة التنبؤ باختيار نموذجين هما الذاكرة الطويلة والقصيرة المدى (LSTM) والذاكرة الطويلة والقصيرة المدى مع طبقة الانتباه. تم اختيار هذه النماذج لفعاليتها في التقاط الأنماط المعقدة والتبعيات في البيانات المتسلسلة، مما يجعلها مناسبة تمامًا لمهمة التنبؤ بأسعار الأسهم. تشتهر نماذج الذاكرة الطويلة والقصيرة المدى بقدرتها على الاحتفاظ بالتبعيات طويلة المدى وتعلمها في بيانات السلاسل الزمنية، في حين تعمل إضافة آلية الانتباه على تعزيز قدرة النموذج على التركيز على المعلومات ذات الصلة أثناء عملية التنبؤ. من خلال الاستفادة من هذه النماذج، نهدف إلى تحسين دقة وموثوقية توقعات أسعار الأسهم لدينا. يساهم هذا البحث في مجال التكنولوجيا المالية من خلال تقديم نهج قوي ومبتكر للتنبؤ بسوق الأوراق المالية. تشير النتائج التي تم الحصول عليها إلى أن دمج آليات الانتباه مع الذاكرة الطويلة والقصيرة المدى يحسن بشكل كبير من قدرات النموذج التنبؤية. إن استخدام الارتباط والمعلومات المتبادلة لاختيار الميزات يعزز أداء النموذج بشكل أكبر من خلال تقليل الضوضاء والتركيز على البيانات الأكثر صلة. تم تقييم النماذج باستخدام MSE وRMSE وMAE وMAPE كمعايير لتقدير كفاءة التنبؤ. تمت مناقشة جميع مراحل النظام المقترح وجميع الاختبارات بالتفصيل وكانت أفضل نتائج MSE وMAE وRMSE وMAPE التي تم الحصول عليها هي 0.0002 و0.01 و0.02 و0.000035 و0.004 و0.005 و0.008 لـ LSTM وLSTM-ATTENTION على التوالي في مجموعة بيانات الاختبار (Dow وS&P500 وNASDAQ وTesla). توضح هذه النتائج أن نهجنا يتفوق على الطرق التقليدية، مما يوفر تنبؤات أكثر دقة وموثوقية لسوق الأوراق المالية.