پیش بینی سری های زمانی مالی با رویکرد یادگیری عمیق مروری بر روش ها، چالش ها و روندهای نوین

پیش بینی قیمت دارایی های مالی همواره یکی از چالش برانگیزترین مسائل در حوزه مالی و اقتصاد بوده است. ماهیت غیر خطی، ناآیستا و پویای بازارهای مالی روش های آماری سنتی را با محدودیت های جدی مواجه کرده و زمینه را برای ظهور رویکردهای نوین مبتنی بر یادگیری عمیق فراهم آورده است. این مقاله به مرور نظام مند روش های پیش بینی سری های زمانی مالی بر پایه یادگیری عمیق می پردازد. چهار پارادایم اصلی شامل شبکه های عصبی، پیچشی، شبکه های عصبی بازگشتی و مشتقات آنها مانند حافظه طولانی مدت کوتاه مدت، شبکه های عصبی گراف و مدل های مبتنی بر سازوکار توجه از جمله ترانسفورم ها به طور مفصل بررسی می شوند، همچنین مفاهیم کلیدی در آموزش این مدل ها از جمله توابع خطا و سنجه های ارزیابی با نگاهی ویژه به کاربردهای مالی تحلیل می شوند. یافته ها نشان می دهد که مدل های ترکیبی و معماری های مبتنی بر توجه به ویژه در مواجهه با نوسانات شدید بازار و افق های پیش بینی بلندمدت عملکرد پایدارتری نسبت به رویکردهای سنتی دارند. در پایان چالش های موجود از جمله نرمال سازی داده ها، نشت اطلاعات، تفسیرپذیری و پیچیدگی محاسباتی مورد بحث قرار گرفته و مسیرهای پژوهشی آینده ترسیم می شود.

کلیدواژه ها:

پیش بینی سری های زمانی ، مالی ، یادگیری عمیق ، شبکه های عصبی بازگشتی ، ترانسفورم ، شبکه های عصبی گراف ، بازار سهام