يتصدر دائمًا موضوع تنبؤ أسعار الأسهم قائمة التحديات المهمة في الأسواق المالية. ورغم الجهود الكثيرة التي بُذلت في هذا المجال، فإن القليل من المشاريع البحثية ركزت على فهم الاعتماديات المتزايدة بين أسعار الأسهم المختلفة. هنا يأتي دور نموذج RESNLS الثوري.

هذا النموذج الهجين يدمج بين معمارية الشبكات العصبية (Neural Networks) "ResNet" و"LSTM". يعمل ResNet كمستخرج ميزات لتحليل الاعتماديات بين أسعار الأسهم، بينما تتولى LSTM عملية تحليل البيانات الزمنية الأولية مع مراعاة هذه الاعتماديات كمتغيرات ثانوية (Residuals).

تشير تجاربنا إلى أن استخدام بيانات أسعار الإغلاق لخمسة أيام تداول متتالية يعطي أداءً مثاليًا للنموذج (ResNLS-5) مقارنة بالنماذج الأخرى. الأهم من ذلك، أن نموذج ResNLS-5 حقق تحسينًا لا يقل عن 20% مقارنة بالمعايير الحالية.

للتأكد من فعالية النموذج في تمكين المستثمرين من تفادي المخاطر وتحقيق الأرباح، قمنا ببناء إطار عمل تداول كمي لاختبار النموذج. وأظهرت النتائج أن الاستراتيجية المستندة على توقعات ResNLS-5 ساهمت بشكل فعال في تقليل الخسائر خلال فترات الانخفاض في أسعار الأسهم، وفي توليد أرباح خلال الفترات التي شهدت ارتفاعًا في الأسعار.

في عالم يتسم بالتغير السريع، يوفر نموذج RESNLS أداة قوية لمساعدة المستثمرين على اتخاذ قرارات أفضل وتحقيق استراتيجيات تداول مدروسة. هل تتطلعون إلى استخدام تقنيات جديدة في استثماراتكم؟ شاركونا في التعليقات!