در دنیای پیچیده و پویای مالی، پیش‌بینی دقیق روندهای بازار سهام و سایر شاخص‌های مالی از اهمیت حیاتی برخوردار است. این پیش‌بینی‌ها نه تنها به سرمایه‌گذاران در تصمیم‌گیری‌های آگاهانه کمک می‌کنند، بلکه برای موسسات مالی و سیاست‌گذاران نیز در مدیریت ریسک و برنامه‌ریزی‌های استراتژیک ضروری هستند. با پیشرفت‌های اخیر در حوزه یادگیری ماشین، به‌ویژه یادگیری عمیق، امیدواری‌ها برای بهبود دقت و کارایی مدل‌های پیش‌بینی افزایش یافته است. با این حال، داده‌های مالی اغلب دارای ویژگی‌هایی هستند که چالش‌های خاصی را برای مدل‌های یادگیری ماشین ایجاد می‌کنند.

مقاله حاضر، با عنوان “یادگیری انتقال چند منبعی با روش‌های ترکیبی برای پیش‌بینی سری‌های زمانی مالی”، توسط Qi-Qiao He، Patrick Cheong-Iao Pang و Yain-Whar Si به رشته تحریر درآمده است. نویسندگان این مقاله با تکیه بر دانش و تجربه خود در زمینه‌های یادگیری ماشین و مالی، به بررسی چالش‌های موجود در پیش‌بینی سری‌های زمانی مالی و ارائه راهکارهای نوآورانه پرداخته‌اند. تمرکز اصلی این تحقیق بر استفاده از تکنیک یادگیری انتقال (Transfer Learning) و روش‌های ترکیبی (Ensemble Methods) به منظور بهبود دقت پیش‌بینی در این حوزه است.

چکیده این مقاله به این نکته اشاره دارد که اگرچه یادگیری انتقال در حوزه‌هایی مانند بینایی ماشین و پردازش زبان طبیعی نتایج موفقی داشته است، اما کاربرد آن در پیش‌بینی سری‌های زمانی مالی کمتر مورد بررسی قرار گرفته است. اکثر تحقیقات موجود در زمینه یادگیری انتقال بر روی یادگیری انتقال تک منبعی (Single-Source Transfer Learning) تمرکز دارند، که دلیل آن دسترسی به مجموعه‌های داده بزرگ و متن‌باز است. با این حال، در حوزه مالی، طول سری‌های زمانی منفرد نسبتاً کوتاه است و مدل‌های یادگیری انتقال تک منبعی کارایی کمتری دارند. از این رو، این مقاله به بررسی یادگیری انتقال عمیق چند منبعی (Multi-Source Deep Transfer Learning) برای سری‌های زمانی مالی می‌پردازد. در این راستا، دو روش جدید به نام‌های میانگین وزنی ترکیبی برای یادگیری انتقال (Weighted Average Ensemble for Transfer Learning) با اختصار WAETL و انتخاب ترکیبی با استفاده از برآوردگر پارزن ساختار درختی (Tree-structured Parzen Estimator Ensemble Selection) با اختصار TPEES پیشنهاد شده‌اند. اثربخشی این روش‌ها بر روی سری‌های زمانی مالی استخراج شده از بازارهای سهام مورد ارزیابی قرار گرفته است. نتایج آزمایش‌ها نشان می‌دهد که روش TPEES در اکثر وظایف یادگیری انتقال چند منبعی نسبت به سایر روش‌های پایه عملکرد بهتری دارد.

روش‌شناسی این تحقیق بر مبنای ارائه و ارزیابی دو روش جدید برای یادگیری انتقال چند منبعی در پیش‌بینی سری‌های زمانی مالی استوار است. در ادامه به تشریح این دو روش می‌پردازیم:

• میانگین وزنی ترکیبی برای یادگیری انتقال (WAETL): این روش بر اساس ایده ترکیب نتایج حاصل از چندین مدل یادگیری انتقال تک منبعی عمل می‌کند. به این ترتیب که ابتدا هر مدل تک منبعی بر روی یکی از منابع داده موجود آموزش داده می‌شود، و سپس نتایج این مدل‌ها با استفاده از یک میانگین وزنی با هم ترکیب می‌شوند. وزن هر مدل بر اساس عملکرد آن در یک مجموعه داده اعتبارسنجی تعیین می‌شود. به عبارت دیگر، مدل‌هایی که عملکرد بهتری دارند، وزن بیشتری در ترکیب نهایی خواهند داشت.
• انتخاب ترکیبی با استفاده از برآوردگر پارزن ساختار درختی (TPEES): این روش از یک الگوریتم بهینه‌سازی بیزی به نام برآوردگر پارزن ساختار درختی برای انتخاب بهترین ترکیب از مدل‌های یادگیری انتقال تک منبعی استفاده می‌کند. TPEES به طور خودکار ترکیبی از مدل‌ها را انتخاب می‌کند که بهترین عملکرد را در مجموعه داده اعتبارسنجی داشته باشند. این روش نسبت به WAETL انعطاف‌پذیری بیشتری دارد، زیرا به جای اختصاص وزن ثابت به هر مدل، به طور پویا بهترین ترکیب از مدل‌ها را انتخاب می‌کند.

برای ارزیابی اثربخشی این دو روش، از داده‌های سری زمانی مالی استخراج شده از بازارهای سهام استفاده شده است. این داده‌ها به سه بخش تقسیم شده‌اند: مجموعه داده آموزش، مجموعه داده اعتبارسنجی و مجموعه داده آزمون. مدل‌ها ابتدا بر روی مجموعه داده آموزش آموزش داده می‌شوند، سپس پارامترهای آنها با استفاده از مجموعه داده اعتبارسنجی تنظیم می‌شوند، و در نهایت عملکرد آنها بر روی مجموعه داده آزمون ارزیابی می‌شود.

به عنوان مثال، فرض کنید می‌خواهیم روند قیمت سهام شرکت الف را پیش‌بینی کنیم. در روش WAETL، ممکن است از داده‌های سهام شرکت‌های ب، ج و د به عنوان منابع داده کمکی استفاده کنیم. هر یک از این شرکت‌ها یک مدل یادگیری انتقال تک منبعی را آموزش می‌دهند و سپس نتایج این مدل‌ها با استفاده از یک میانگین وزنی ترکیب می‌شوند. در روش TPEES، الگوریتم بهینه‌سازی بیزی به طور خودکار بهترین ترکیب از این مدل‌ها را انتخاب می‌کند. ممکن است TPEES تصمیم بگیرد که فقط از مدل شرکت ب و د استفاده کند، زیرا این دو مدل در مجموعه داده اعتبارسنجی بهترین عملکرد را داشته‌اند.

نتایج آزمایش‌های انجام شده نشان می‌دهد که روش TPEES در اکثر وظایف یادگیری انتقال چند منبعی نسبت به سایر روش‌های پایه عملکرد بهتری دارد. این یافته نشان می‌دهد که انتخاب ترکیبی پویا از مدل‌های یادگیری انتقال تک منبعی می‌تواند به طور قابل توجهی دقت پیش‌بینی را در سری‌های زمانی مالی بهبود بخشد. همچنین، نتایج نشان می‌دهد که روش WAETL نیز در برخی موارد می‌تواند عملکرد خوبی داشته باشد، اما به طور کلی نسبت به TPEES عملکرد ضعیف‌تری دارد. این امر نشان می‌دهد که انعطاف‌پذیری TPEES در انتخاب بهترین ترکیب از مدل‌ها، یک مزیت قابل توجه است.

به طور خلاصه، یافته‌های کلیدی این تحقیق عبارتند از:

• یادگیری انتقال چند منبعی می‌تواند به طور قابل توجهی دقت پیش‌بینی را در سری‌های زمانی مالی بهبود بخشد.
• روش TPEES در اکثر وظایف یادگیری انتقال چند منبعی نسبت به سایر روش‌های پایه عملکرد بهتری دارد.
• انتخاب ترکیبی پویا از مدل‌های یادگیری انتقال تک منبعی، یک مزیت قابل توجه است.

نتایج این تحقیق دارای کاربردهای عملی متعددی در حوزه مالی است. از جمله این کاربردها می‌توان به موارد زیر اشاره کرد:

• بهبود پیش‌بینی قیمت سهام: مدل‌های ارائه شده می‌توانند برای پیش‌بینی دقیق‌تر قیمت سهام مورد استفاده قرار گیرند، که این امر می‌تواند به سرمایه‌گذاران در تصمیم‌گیری‌های آگاهانه‌تر کمک کند.
• مدیریت ریسک: پیش‌بینی دقیق‌تر روندهای بازار می‌تواند به موسسات مالی در مدیریت بهتر ریسک‌های مالی کمک کند.
• برنامه‌ریزی استراتژیک: سیاست‌گذاران می‌توانند از این مدل‌ها برای برنامه‌ریزی‌های استراتژیک در حوزه مالی استفاده کنند.
• توسعه ابزارهای معاملاتی خودکار: مدل‌های ارائه شده می‌توانند به عنوان بخشی از ابزارهای معاملاتی خودکار مورد استفاده قرار گیرند، که این امر می‌تواند به افزایش کارایی و سودآوری معاملات کمک کند.

دستاوردهای این تحقیق شامل ارائه دو روش جدید برای یادگیری انتقال چند منبعی در پیش‌بینی سری‌های زمانی مالی، و همچنین نشان دادن اثربخشی این روش‌ها در بهبود دقت پیش‌بینی است. این دستاوردها می‌توانند به عنوان پایه‌ای برای تحقیقات آینده در این حوزه مورد استفاده قرار گیرند.

در مجموع، مقاله “یادگیری انتقال چند منبعی با روش‌های ترکیبی برای پیش‌بینی سری‌های زمانی مالی” یک مطالعه ارزشمند در زمینه کاربرد یادگیری ماشین در حوزه مالی است. این مقاله نشان می‌دهد که استفاده از یادگیری انتقال چند منبعی و روش‌های ترکیبی می‌تواند به طور قابل توجهی دقت پیش‌بینی را در سری‌های زمانی مالی بهبود بخشد. روش TPEES به عنوان یک روش قدرتمند برای انتخاب ترکیبی پویا از مدل‌های یادگیری انتقال تک منبعی معرفی شده است. نتایج این تحقیق می‌تواند به سرمایه‌گذاران، موسسات مالی و سیاست‌گذاران در تصمیم‌گیری‌های آگاهانه‌تر و مدیریت بهتر ریسک‌های مالی کمک کند. تحقیقات آینده می‌توانند بر روی بهبود روش‌های یادگیری انتقال چند منبعی و بررسی کاربرد آنها در سایر حوزه‌های مالی تمرکز کنند.