TL;DR
- مشاهده PDF HTML (تجربی) چکیده:.
- پیشبینی بازار سهام چالشهای قابلتوجهی را برای سرمایهگذاران،.
- مؤسسات مالی و سیاستگذاران فعال در محیطهای پیچیده بازار که با نویز،.
چه اتفاقی افتاد
مشاهده PDF HTML (تجربی) چکیده:. پیشبینی بازار سهام چالشهای قابلتوجهی را برای سرمایهگذاران،.
مؤسسات مالی و سیاستگذاران فعال در محیطهای پیچیده بازار که با نویز،. غیر ثابت بودن،.
و پویایی رفتاری مشخص میشود،. ارائه میکند.
روشهای پیشبینی سنتی،. از جمله تحلیلهای بنیادی و شاخصهای فنی،.
اغلب در به تصویر کشیدن الگوهای پیچیده و وابستگیهای مقطعی ذاتی در بازارهای مالی ناکام هستند. این مقاله یک چارچوب یکپارچه را ارائه میکند که یک معماری ترانسفورماتور گره را با تحلیل احساسات مبتنی.
بر BERT برای پیشبینی قیمت سهام ترکیب میکند. مدل پیشنهادی بازار سهام را بهعنوان یک ساختار نموداری نشان میدهد که در آن سهامهای منفرد گرهها را.
تشکیل میدهند و لبهها روابطی از جمله وابستگیهای بخشی،. حرکات قیمتهای مرتبط،.
و اتصالات زنجیره تامین را در بر میگیرند. یک مدل BERT دقیق تنظیم شده،.
اطلاعات احساسات را از شبکه های اجتماعی استخراج می کند پست های رسانه ای و ترکیب آن با. ویژگی های کمی بازار از طریق مکانیسم های همجوشی مبتنی بر توجه.
ترانسفورماتور گره،. داده های تاریخی بازار را پردازش می کند در حالی که هم تکامل زمانی و هم وابستگی های.
مقطعی را در بین سهام ثبت می کند. آزمایشهایی که روی 20 سهام S&P 500 از ژانویه 1982 تا مارس 2025 انجام شد،.
نشان میدهد که مدل یکپارچه به میانگین درصد خطای مطلق (MAPE) 0.80 درصد برای پیشبینیهای یک روز آینده. دست مییابد،.
در مقایسه با 1.20 درصد برای ARIMA و 1.00 درصد برای LSTM. گنجاندن تجزیه و تحلیل احساسات،.
خطای پیشبینی را تا 10 درصد به طور کلی و 25 درصد در طول اعلانهای سود کاهش میدهد،. در حالی که معماری مبتنی بر نمودار با گرفتن وابستگیهای بین سهام،.
15 درصد بهبود بیشتری ایجاد میکند. دقت جهت برای پیش بینی های یک روزه به 65 درصد می رسد.
اعتبار سنجی آماری از طریق آزمون های t زوجی،. اهمیت این پیشرفت ها را تایید می کند (05/0p< برای همه مقایسه ها).
مدل خطای کمتری را در طول دورههای نوسان بالا حفظ میکند و MAPE 1.50٪ را به دست میآورد. در حالی که مدلهای پایه از 1.60٪ تا 2.10٪ متغیر است.
نظرات:. 18 صفحه،.
5 شکل،. 12 جدول،.
ارسال شده به IEEE Access موضوعات:. یادگیری ماشین (cs.LG)؛
هوش مصنوعی (cs.AI)؛ امور مالی آماری (q-fin.ST) استناد به عنوان:.
arXiv:. 2603.05917 [cs.LG] (یا arXiv:.
2603.05917v2 [cs.LG] برای این نسخه) https:. //doi.org/10.48550/arXiv.2603.05917 DOI صادر شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
محمد الرضاوی [مشاهده ایمیل] [v1] جمعه،. 6 مارس 2026،.
05:. 15:.
22 UTC (304 KB) [v2] جمعه،. 3 آوریل 2026،.
04:. 57:.
36 UTC (313 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.