کاربرد هوش مصنوعی و یادگیری ماشین در پیش بینی نوسانات بازارهای مالی تحلیل دقت مدل های مبتنی بر داده های کلان

این مقاله به تحلیل و پیش بینی نوسانات بازارهای مالی با استفاده از داده های کلان اقتصادی، مالی و احساسی و الگوریتم های یادگیری ماشین پرداخته است. در این تحقیق از چهار الگوریتم برجسته یادگیری ماشین شامل شبکه های عصبی (Neural Networks)، جنگل تصادفی (Random Forest)، XGBoost و LSTM برای پیش بینی نوسانات بازار استفاده شد. داده های کلان اقتصادی از منابع معتبر مانند World Bank، FRED و IMF جمع آوری شدند و داده های مالی از منابعی چون Yahoo Finance و Bloomberg استخراج گردید. علاوه بر این داده های احساسی از رسانه های اجتماعی و تحلیل های اخبار اقتصادی با استفاده از تحلیل احساسات (Sentiment Analysis) جمع آوری شدند. نتایج نشان داد که مدل LSTM با دقت ۸۸.۲٪ بهترین عملکرد را در پیش بینی نوسانات بازارهای مالی ارائه داده است؛ مدل XGBoost با دقت ۸۷.۵ در رتبه دوم قرار گرفت؛ در حالی که شبکه های عصبی و جنگل تصادفی به ترتیب با دقت های ۸۵.۳ و ۸۳.۷٪ به عنوان مدل های دیگر ارزیابی شدند. این مطالعه نشان داد که الگوریتم های یادگیری ماشین به ویژه LSTM می توانند به طور موثری نوسانات بازار را پیش بینی کرده و از آنها برای تحلیل های مالی دقیق تر استفاده کنند.

کلیدواژه ها:

پیش بینی نوسانات مالی ، هوش مصنوعی در بازارهای مالی ، یادگیری ماشین ، داده های کلان