تسعى هذه الدراسة إلى تقديم مقارنة دقيقة بين الشبكات التقليدية Kolmogorov-Arnold Networks (KAN) والشبكات الطويلة قصيرة المدى Long Short-Term Memory (LSTM) فيما يتعلق بتوقعات السلاسل الزمنية المالية غير الثابتة. تم تقييم كلا المعمارين من حيث دقة التنبؤ، وكفاءة الحساب، والقدرة على الفهم، حيث تم قياس الدقة باستخدام الجذر التربيعي لمتوسط الخطأ (RMSE) في فضاء الميزات النمطية.

أثبتت نتائج التجارب أن شبكة LSTM تتفوق بوضوح على شبكة KAN عبر جميع أفق التنبؤ المختبرة، مما يعكس فعاليتها المعروفة في نمذجة البيانات المتسلسلة. بينما تقدم KAN قابلية فكرية نظرية من خلال نظرية تمثيل Kolmogorov-Arnold، إلا أن دقة تنبؤاتها كانت أقل بكثير، مما يحد من تطبيقها العملي في توقعات السلاسل الزمنية.

اقترحت الدراسة أيضًا وجود نسخ متخصصة من KAN، مثل KAN الزمني و KAN الترددي الزمني، والتي تهدف إلى معالجة قيود النمذجة التسلسلية، لكن تلك الإصدارات كانت خارج نطاق هذه الدراسة. لوحظ أن KAN تتقارب بشكل أسرع خلال التدريب تحت الإعدادات المختبرة، لكن المقارنات الزمنية المباشرة كانت محدودة بعوامل منهجية.

توفر هذه النتائج دعماً قوياً لاعتماد LSTM في توقعات مالية حساسة للدقة، وتأسس قاعدة تجريبية لـ KAN القياسية على البيانات المتسلسلة غير الثابتة، مما يدفع للبحث عن معماريات KAN المعتمدة على الزمن بشكل أعمق.