بررسی تاثیر همبستگی بین نمادهای مالی مختلف بر دقت پیش بینی های بازار

پیش بینی بازار سهام به دلیل نوسانات شدید و ماهیت غیرایستای دادهها از مهمترین چالشهای مهندسی مالی است و به روشهای پیشرفته مبتنی بر یادگیری عمیق نیاز دارد. در این پژوهش سه معماری شامل شبکه حافظه بلندمدت کوتاه مدت، مدل خطی مبتنی بر تفکیک و ترنسفورمر چند مرحله ای با مکانیزم توجه در هم تنیده با دادههای بورس تهران و بازار نزدک تحت چهار نوع ورودی قیمت خام، قیمت همراه شاخصهای فنی، قیمت همراه با سیگنالهای بین نمادی ناشی از همبستگی خطی با تاخیر و ترکیب قیمت، شاخص های فنی و نمادهای همبسته مقایسه شدند. نتایج نشان داد در بورس تهران افزودن شاخصهای فنی به شبکه حافظه بلندمدت کوتاه مدت خطای میانگین مربعات را ۳۳ از ۰۰۳۹ به ۰.۰۲۶ مقدار p-value حدودا برابر با ۱۰۰ (۲. کاهش و دقت پیش بینی روند را ۵.۵٪ افزایش داد از ۵۱.۵ به (۵۷ مدل خطی مبتنی بر تفکیک با شاخصهای فنی %۳۷ کاهش خطا از ۰.۰۴۰ به (۰.۰۲۵ و ۳.۹ بهبود دقت داشت و ترنسفورمر چند مرحله ای با مکانیزم توجه در هم تنیده بیشترین کاهش خطا یعنی ۴۴ از ۰.۰۵۷ به ۰.۰۳۲، مقدار-p value حدودا برابر با ۱۰ ۴.۲ همراه با ۲۸ افزایش دقت پیشبینی روند را ثبت کرد در بازار، نزدک شبکه حافظه بلندمدت کوتاه مدت تنها حدود ۰.۹% بهبود دقت پیشبینی روند داشت در حالی که مدل خطی مبتنی بر تفکیک با ورودیهای همبسته نرخ رشد خطا را ۸۲ از (۸۲۹ به (۱۵۲ کاهش داد هرچند میانگین خطا افزایش یافت در مقابل ترنسفورمر چند مرحله ای با مکانیزم توجه درهم تنیده با ورودیهای همبسته ناپایدار شد و خطای آن تقریبا دو برابر گردید و دقت پیشبینی روند حدود ۲٪ افت کرد. این نتایج نشان میدهد هیچ مدلی برتری مطلق ندارد و انتخاب معماری و نوع ورودی باید متناسب با هدف پیش بینی و شرایط بازار انجام شود از این رو رویکرد سناریو محور در طراحی سامانههای پیش بینی میتواند به دستیابی به عملکردی پایدارتر و قابل اعتمادتر در محیطهای مالی پویا منجر شود.

کلیدواژه ها:

پیش بینی قیمت سهام ، تحلیل سریهای زمانی ، شاخصهای فنی ، شبکه های یادگیری عمیق ، همبستگی با تاخیر