استكشاف العوالم المالية: تحليل مقارن لنماذج التعلم الآلي في توقعات سوق الأسهم المصري

في عالم يتسم بالتقلّب السريع والتحديات الاقتصادية المتعددة، يلعب علم البيانات دوراً مهماً في تحليل الأسواق المالية. إحدى الدراسات الحديثة تعرض مقارنة مثيرة بين النماذج المختلفة للتعلم الآلي المستخدمة في توقعات سوق الأسهم المصرية، وتحديداً مؤشر EGX30، والذي يُعتبر مركزاً مالياً حيوياً في منطقة الشرق الأوسط.

تتناول الدراسة الحاجة المتزايدة لفهم اتجاهات الأسهم في الدول النامية، حيث تم استخدام البيانات التاريخية لمؤشر EGX30 لدراسة مجموعة متنوعة من نماذج التعلم الآلي، بما في ذلك نموذج الجوار الأقرب (K-Nearest Neighbours)، والغابات العشوائية (Random Forest)، و نماذج تعزيز الانحدار المتطرف (Extreme Gradient Boosting)، والشبكات العصبية طويلة المدى والشبكات الدورية المحكمة (Long Short-Term Memory Networks و Gated Recurrent Unit Networks).

تأمل الدراسة في استخدام معايير الأداء المختلفة مثل الجذر التربيعي لمتوسط الخطأ، ومتوسط النسبة المئوية المطلقة، ومعامل التحديد لتقييم أفضل النماذج للتحليل. تكشف النتائج أن نموذج الشبكة الدورية المحكم (GRU) حقق أداءً متفوقاً في التنبؤات على مدى أسبوع واحد وشهرين، بينما كان نموذج تعزيز الانحدار المتطرف (XGBoost) هو الأفضل في التوقعات اليومية.

كما تبرز الدراسة أهمية تقنيات التجميع، التي أظهرت نتائج مبهرة في التنبؤات طويلة الأجل، حيث حققت تحسناً قد يصل إلى خمسة أضعاف أداء نموذج الـ GRU في التوقعات بنهاية شهرين. والأكثر إثارة للاهتمام كان الأداء الجيد لنموذج الجوار الأقرب (KNN) على المدى الطويل، مما يشير إلى استمرارية أهميته وإمكاناته المستقبلية في مجالات التقنية المالية.

تقدم هذه الدراسات نظرة قيمة للمستثمرين، مما يساعدهم على اتخاذ قرارات مستنيرة بناءً على تحليلات قوية وعميقة.