توقعات سوق الأسهم: كيف تساهم الهندسة المعمارية المتقدمة في دقة التنبؤ؟

في ظل التحديات الكبيرة التي تواجه المستثمرين والمؤسسات المالية في أسواق الأسهم، يظهر البحث الجديد كحل مبتكر وفعّال. يعتمد هذا البحث على دمج نموذج التحويل العنقودي (Node Transformer) مع تحليل المشاعر المعتمد على BERT. في هذه المقاربة، يتم تمثيل سوق الأسهم كهيكل بياني حيث تمثل الأسهم الفردية نقاطًا (nodes) وتُظهر العلاقات بينها من خلال الحواف (edges) مثل الانتماءات القطاعية وتحركات الأسعار المتناظرة.

يقوم النموذج المتطور بسحب معلومات المشاعر من المنشورات على وسائل التواصل الاجتماعي، مما يُعزز البيانات الكمية للسوق من خلال آليات دمج قائمة على الانتباه (attention-based fusion). كما يتعامل النظام مع البيانات السوقية التاريخية، ملتقطًا تطور الزمن والاعتمادية المتبادلة بين الأسهم.

أظهرت التجارب التي أجريت على 20 سهمًا من مؤشر S&P 500، spanning من يناير 1982 إلى مارس 2025، أن النموذج المتكامل يحقق خطأً نسبيًا متوسطًا (MAPE) بنسبة 0.80% بالنسبة للتوقعات ليوم واحد. يُعتبر هذا تحسنًا ملحوظًا مقارنةً بالنماذج التقليدية مثل ARIMA وLSTM، حيث حققت هذه النماذج أخطاء تصل إلى 1.20% و1.00% على التوالي.

يجسد هذا البحث أهمية دمج تحليل المشاعر، حيث يقلل الخطأ في التنبؤ بمعدل 10% بشكل عام و25% خلال إعلانات الأرباح. إضافةً إلى ذلك، يُعد الهيكل البياني عامل تحسين إضافي، حيث يمكّن من التقاط الاعتمادات بين الأسهم لزيادة دقة التنبؤات بنسبة 15%. ومن اللافت للنظر أن دقة التنبؤات تصل إلى 65% بالنسبة لتوقعات يوم واحد.

تؤكد الاختبارات الإحصائية من خلال اختبارات t الثنائية أهمية هذه التحسينات حيث كانت النتائج ذات دلالة معنوية (p < 0.05 لجميع المقارنات). وفيما يخص فترات التقلب العالي، سجل النموذج خطأً نسبيًا قدره 1.50%، في حين تتراوح النماذج الأساسية بين 1.60% و2.10%.

في النهاية، هل تعتقد أن دمج تقنيات مثل تحليل المشاعر مع النماذج المتقدمة يمكن أن يُحدث فارقًا كبيرًا في استراتيجيات الاستثمار؟ شاركونا آراءكم في التعليقات.