تتسم أسواق الأسهم بدرجة عالية من اللاخطية والتعقيد، الأمر الذي يجعل الأساليب التقليدية قاصرة عن التقاط الخصائص اللاخطية للبيانات وفهم ديناميات السوق المعقدة، وتزداد هذه الصعوبة مع ما يشوب السلاسل الزمنية لأسعار الأسهم من تقلبات وتشويش يضعف من دقة التنبؤات، وفي هذا السياق تقترح هذه الدراسة نموذجًا جديدًا للتنبؤ بأسعار الأسهم يجمع بين التحلل الوضعي التبايني وخوارزمية الرسم البياني المثلث أقصى ترشيح وشبكات الذاكرة طويلة قصيرة المدى في نموذج مركب واحد، وذلك بهدف تحسين دقة التنبؤ واستقراره وكفاءته الحاسوبية، وتستند الدراسة إلى فكرة أساسية مفادها أن معالجة السلسلة الزمنية على مراحل متتابعة، تبدأ بتفكيكها ثم بانتقاء خصائصها ثم بنمذجتها، تمنح النموذج قدرة أكبر على التعامل مع التعقيد الكامن في بيانات السوق
أولًا: أهداف الدراسة ومنهجيتها
سعت الدراسة إلى بناء نموذج مركب للتنبؤ بأسعار إغلاق الأسهم يتفوق في دقته وثباته على النماذج القائمة، واعتمدت منهجية من ثلاث مراحل مترابطة، ففي المرحلة الأولى وُظف أسلوب التحلل الوضعي التبايني لتفكيك السلسلة الزمنية لأسعار الأسهم إلى مجموعة من دوال الأنماط الذاتية الملساء، بما يقلل من تعقيد البيانات ويخفف من أثر التشويش فيها، وفي المرحلة الثانية استُخدمت خوارزمية الرسم البياني المثلث أقصى ترشيح في انتقاء الخصائص، بما يبسط البيانات المدخلة إلى النموذج ويسرع من عملية التقارب التكراري في التدريب، أما المرحلة الثالثة فقد خُصصت لنمذجة الخصائص المنتقاة والتنبؤ بها عبر شبكة الذاكرة طويلة قصيرة المدى، ولم تقتصر الدراسة على اختبار النموذج المقترح منفردًا، بل قارنته بمجموعة واسعة من النماذج المنافسة شملت نموذج الانحدار الذاتي المتكامل مع المتوسط المتحرك المعروف بأريما، والشبكة العصبية، والشبكة العصبية العميقة، والشبكة العصبية الالتفافية، إضافة إلى نموذج الذاكرة طويلة قصيرة المدى منفردًا، ونموذجين مركبين جزئيًا يجمع أحدهما بين الترشيح والذاكرة والآخر بين التحلل والذاكرة، وطُبقت المقارنات على أسعار إغلاق أسهم متعددة لضمان عمومية النتائج
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية أن النموذج المركب المقترح تفوق بفارق واضح على جميع النماذج المنافسة في التنبؤ بأسعار إغلاق الأسهم المتعددة التي شملتها التجارب، فقد حقق أدق التنبؤات وأكثرها استقرارًا قياسًا بنموذج أريما والشبكات العصبية بأنواعها والنماذج الجزئية المركبة، وتجلت هذه الأفضلية بصورة كمية لافتة في حالة شركة مطار شنغهاي الدولي، إذ خفض النموذج المقترح الجذر التربيعي لمتوسط مربعات الخطأ بنسبة 69.76 في المئة، وخفض متوسط الخطأ المطلق بنسبة 71.41 في المئة، وقلص زمن التشغيل بنسبة 46.28 في المئة، ورفع معامل التحديد بمقدار 0.2184، وهي مؤشرات تدل مجتمعة على دقة تنبؤ أعلى بكثير من النماذج المقارنة، كما أكدت النتائج أن دمج مراحل التفكيك وانتقاء الخصائص والنمذجة في بنية واحدة ينتج مكاسب متراكمة لا يحققها أي من مكونات النموذج منفردًا، إذ أسهم التحلل في تنعيم السلسلة وتخفيف تشويشها، وأسهم الترشيح في تسريع التقارب وتبسيط المدخلات، وأسهمت شبكة الذاكرة في التقاط التبعيات الزمنية طويلة المدى في البيانات
ثالثًا: دلالات الدراسة وتطبيقاتها
تحمل هذه النتائج دلالات تطبيقية مهمة للمستثمرين والمحللين الماليين والمؤسسات العاملة في أسواق المال، إذ يوفر النموذج المقترح أداة تنبؤ أكثر دقة وكفاءة يمكن أن تدعم قرارات التداول وإدارة المحافظ وتقدير المخاطر، كما أن خفض زمن التشغيل بما يقارب النصف يجعل النموذج ملائمًا للاستخدامات التي تتطلب تحديثات متكررة للتنبؤات، وعلى الصعيد المنهجي تقدم الدراسة إطارًا قابلًا للتعميم في معالجة السلاسل الزمنية المالية، يقوم على التفكيك المتدرج للبيانات وانتقاء خصائصها قبل نمذجتها بالشبكات العميقة، وهو إطار يمكن نقله إلى سياقات تنبؤ أخرى تتسم باللاخطية والتشويش، وتفتح الدراسة بذلك بابًا لمزيد من البحث في دمج تقنيات تحليل الإشارات مع التعلم العميق في خدمة التحليل المالي
وخلاصة القول إن النموذج المركب الذي اقترحته الدراسة، والقائم على التحلل الوضعي التبايني والترشيح المثلث أقصى ترشيح وشبكات الذاكرة طويلة قصيرة المدى، يقدم حلًا قويًا وفعالًا للتنبؤ باتجاهات سوق الأسهم، إذ جمع بين الدقة العالية والاستقرار والكفاءة الحاسوبية في بنية واحدة، وتفوق على طيف واسع من النماذج التقليدية والعميقة، بما يجعله إضافة منهجية وتطبيقية جديرة بالاعتماد عليها في بحوث التنبؤ المالي وممارساته المهنية المتقدمة
هل تحتاج إلى دعم متخصص في بحثك؟
يمكنك طلب الخدمة مباشرة عبر حساب الباحث، وسيتابع معك فريق مؤسسة النظم طلبك خطوة بخطوة حتى اكتمال الإنجاز
