فهرست نشریات علمی دسترسی آزاد ایران

چکیده هدف: هدف اصلی این پژوهش، حل تقابل بنیادین و کلیدی میان دقت پیش‌بینی و کارایی محاسباتی در مدل‌های پیش‌بینی قیمت سهام است. علی‌رغم توانایی مدل‌های یادگیری عمیق پیشرفته، مانند LSTM و Transformer، در دستیابی به دقت بالا، هزینه‌های سنگین پردازشی و تأخیر زمانی بالای آن‌ها، استقرار عملی این مدل‌ها را در اکوسیستم‌های مالی آنلاین و حساس به زمان، با چالش جدی مواجه ساخته است. این مسئله یک شکاف تحقیقاتی مهم را نمایان می‌سازد: فقدان یک چارچوب یکپارچه که بتواند به صورت سیستماتیک و هوشمند، این دو هدف متعارض (دقت و سرعت) را همزمان بهینه سازد. در پاسخ به این نیاز، این پژوهش یک چارچوب ترکیبی، تطبیقی و خودبهینه‌ساز با نام DE-Optimized AT-M(OS-ELM) را معرفی می‌کند که به طور خاص برای یافتن توازنی بهینه میان این دو معیار طراحی شده است. هدف نهایی، ارائه راهکاری عملی و واقع‌گرایانه است که ضمن حفظ دقت آماری رقابتی، بتواند با سرعت بسیار بالا با داده‌های جریانی سازگار شود و مسیر را برای کاربردی‌سازی هوش مصنوعی در سیستم‌های معاملاتی الگوریتمی بلادرنگ هموار کند.روش: روش‌شناسی این پژوهش بر پایه‌ی یک معماری چندلایه و هوشمند استوار است. چارچوب پیشنهادی، DE-Optimized AT-M(OS-ELM)، سه مؤلفه کلیدی را یکپارچه می‌سازد: (۱) یادگیرنده پایه (OS-ELM): از ماشین یادگیری حدی آنلاین و متوالی برای یادگیری سریع و تطبیق آنی با داده‌های جدید بدون نیاز به بازآموزی کامل استفاده می‌شود. (۲) ساختار گروهی تطبیقی (AT-M): برای افزایش پایداری و مدیریت نویز و پدیده «تغییر مفهوم»، چندین مدل OS-ELM در یک ساختار گروهی قرار گرفته‌اند و وزن هر مدل به صورت پویا بر اساس عملکرد اخیر آن در یک پنجره زمانی لغزان، با مکانیزم «وزن‌دهی مبتنی بر اعتماد» تنظیم می‌شود. (۳) موتور بهینه‌سازی (DE): از الگوریتم تکامل تفاضلی برای بهینه‌سازی خودکار و هوشمند ابرپارامترهای کلیدی مدل استفاده می‌گردد. نوآوری محوری این پژوهش، طراحی یک تابع هدف دوگانه برای الگوریتم DE است که به طور همزمان خطای پیش‌بینی (RMSE) و هزینه محاسباتی (زمان آموزش) را کمینه می‌کند. برای ارزیابی جامع عملکرد، از مجموعه داده‌های تاریخی ۱۴ ساله (۲۰۱۰-۲۰۲۳) پنج دارایی کلیدی بازار سهام آمریکا استفاده شد. مدل پیشنهادی با مدل‌های مبنای متنوعی شامل ARIMA، جنگل تصادفی، SVR، LSTM و Transformer مقایسه گردید. عملکرد مدل‌ها با معیارهای چندبعدی شامل دقت (RMSE, MAE, R²) و کارایی (زمان آموزش و پیش‌بینی) سنجیده و معناداری آماری نتایج با آزمون ناپارامتریک ویلکاکسون تأیید شد.یافته‌ها: نتایج ارزیابی کمی و کیفی نشان داد که چارچوب پیشنهادی با موفقیت به اهداف خود دست یافته است. در بُعد دقت، مدل پیشنهادی عملکردی بسیار رقابتی کسب کرد که از نظر آماری برتر یا کاملاً هم‌تراز با پیشرفته‌ترین مدل‌های یادگیری عمیق (LSTM و Transformer) بود (p < 0/05). برتری این مدل به ویژه در معیار دقت جهت‌دار (DA) که برای معاملات الگوریتمی حیاتی است، با میانگین 1/66% مشهودتر بود. برجسته‌ترین یافته، در بُعد کارایی محاسباتی نمایان شد؛ مدل پیشنهادی با میانگین زمان آموزش کمتر از یک ثانیه، سرعتی را به ثبت رساند که صدها برابر سریع‌تر از مدل‌های پیشرفته یادگیری عمیق بود. این کاهش چشمگیر هزینه محاسباتی، یک برتری قاطعانه و تعیین‌کننده برای کاربردهای عملی محسوب می‌شود. . تحلیل‌های بصری نیز این یافته‌ها را تأیید کرد؛ نمودار تحلیل توازن، مدل پیشنهادی را به تنهایی در «نقطه بهینه» (دقت بالا، هزینه پایین) قرار داد و تحلیل خطای لغزان نشان داد که این مدل پایداری عملکرد بالاتری را، به خصوص در دوره‌های پرنوسان بازار، حفظ می‌کند.نتیجه‌گیری: این پژوهش با موفقیت نشان داد که راهکار غلبه بر چالش دقت-سرعت در پیش‌بینی مالی، لزوماً در پیچیدگی بیشتر معماری‌ها نهفته نیست، بلکه در یک رویکرد مهندسی سیستم هوشمند و بهینه‌سازی هدفمند قرار دارد. چارچوب DE-Optimized AT-M(OS-ELM) با یکپارچه‌سازی هوشمندانه یادگیری آنلاین، پایداری گروهی تطبیقی و بهینه‌سازی دوهدفه، یک توازن سیستماتیک و مؤثر میان دقت و کارایی برقرار کرد. این مدل نه تنها به دقتی هم‌سطح یا برتر از مدل‌های پیشرفته دست یافت، بلکه این کار را با هزینه‌ای محاسباتی که چندین مرتبه مقیاس کمتر است، به انجام رساند. این دستاورد، رویکرد غالب مبنی بر تمرکز انحصاری بر مدل‌های پیچیده را به چالش می‌کشد و اهمیت طراحی راهکارهای عملی و کارآمد را برجسته می‌سازد. چارچوب ارائه شده به عنوان یک ابزار قدرتمند، پتانسیل بالایی برای پیاده‌سازی در سیستم‌های معاملاتی الگوریتمی و تحلیل‌های مالی بلادرنگ دارد و گامی مهم در جهت کاربردی‌سازی عملی هوش مصنوعی در امور مالی محسوب می‌شود.