کنفرانس مهندسی برق ایران

صفحه اصلی / سی و چهارمین کنفرانس بین المللی مهندسی برق

پیش‌بینی تطبیقی هوشمند با یادگیری عمیق چندوجهی برای کمی‌سازی عدم قطعیت در پیش‌بینی سری‌های زمانی مالی: مطالعه موردی بورس اوراق بهادار تهران

نویسندگان :

محمد مهدی سالخورده حقیقی¹ علی اکاسره²

1- عضو هیأت علمی دانشگاه سجاد 2- دانشگاه سجاد

کلمات کلیدی :

پیش‌بینی سری‌های زمانی مالی،کمّی‌سازی عدم قطعیت،یادگیری عمیق چندوجهی،پیش‌بینی انطباقی تطبیقی

چکیده :

این مقاله یک چارچوب نوین برای پیش‌بینی قیمت سهام در بازار پرنوسان بورس اوراق بهادار تهران ارائه می‌دهد که تمرکز اصلی آن بر کمّی‌سازی معتبر عدم قطعیت است. چارچوب پیشنهادی داده‌های کمی سری‌زمانی را با استفاده از یک ستون فقرات عمیق ترکیبی شامل PatchTST و iTransformer و داده‌های کیفی احساسات استخراج‌شده از متون مالی فارسی با بهره‌گیری از FinGPT فارسی و تقویت‌شده با معماری بازیابی-تولید (RAG) تلفیق می‌کند. همجوشی اطلاعات از طریق یک لایه توجه متقابل انجام می‌شود. علاوه بر این، یک موتور پیش‌بینی انطباقی مبتنی بر تابع دشواری آموخته‌شده، عرض بازه‌های پیش‌بینی را به‌صورت پویا تنظیم می‌کند. این تابع عدم قطعیت را از منابع متعددی شامل نوسانات بازار، آنتروپی احساسات و آنتروپی توجه مدل به‌عنوان شاخصی از عدم اطمینان درونی مدل استخراج می‌نماید. ارزیابی تجربی بر روی داده‌های واقعی بورس تهران در بازه 2014 تا 2024 و مجموعه اخبار مالی فارسی نشان می‌دهد که روش ما نسبت به روش‌های پایه برتری معناداری دارد. نتایج شامل دستیابی به MAPE برابر با 1.55٪، ضریب تعیین R² معادل 0.97 و پوشش تجربی 95.1٪ در سطح اطمینان اسمی 95٪ با کاهش 34٪ در میانگین عرض بازه پیش‌بینی است. این چارچوب یک سامانه پشتیبان تصمیم‌گیری کارا برای کاربردهای مالی آگاه از ریسک ارائه می‌کند.