خوارزمية جينية مُحسَّنة لشبكة الذاكرة القصيرة والطويلة المُستخدمة في تنبؤ سوق الأسهم

بفضل التطورات الحديثة في تقنية الحوسبة، يتم تجميع كميات هائلة من البيانات والمعلومات باستمرار. وبخاصة في مجال المالية، توجد فرص كبيرة لإنشاء رؤى مفيدة من خلال تحليل هذه المعلومات، نظرًا للكم الهائل من البيانات الزمنية الفعلية التي تُنتجها الأسواق المالية، بما في ذلك سجلات المعاملات. وعليه، يهدف هذا الدراسة إلى تطوير نموذج جديد لتنبؤ بسوق الأسهم باستخدام البيانات المالية المتاحة. ونستخدم تقنية التعلم العميق نظرًا لقدرتها المتميزة على التعلم من مجموعات البيانات الضخمة. في هذه الدراسة، نقترح نهجًا هجينًا يدمج بين شبكة الذاكرة القصيرة والطويلة (LSTM) وخوارزمية وراثية (GA). حتى الآن، يُستخدم على نطاق واسع النهج التجريبي القائم على الحدس لتقدير حجم النافذة الزمنية والعوامل البنائية لشبكة LSTM. وتحت هذا البند، تبحث هذه الدراسة في الخصائص الزمنية لبيانات سوق الأسهم من خلال اقتراح طريقة منهجية لتحديد حجم النافذة الزمنية والهندسة المعمارية (البنية التحتية) لشبكة LSTM باستخدام خوارزمية وراثية. ولتقييم النهج الهجين المقترح، اخترنا بيانات مؤشر سعر الأسهم الكوري اليومية (KOSPI). وأظهرت النتائج التجريبية أن النموذج الهجين المدمج بين شبكة LSTM وخوارزمية وراثية يتفوق على النموذج المعياري.