تلعب أسواق الأسهم دورًا رئيسيًا في عملية التنمية الاقتصادية. يُعدّ التنبؤ بأسعار الأسهم عملية شائعة للغاية، وقد تم تبنّيها على نطاق واسع في العديد من المجالات العلمية والتجارية. إن انخفاض أسعار الأسهم يشير إلى أن الاقتصاد يواجه حالة ركود، بينما يدل ارتفاع الأسعار على التعافي.
ومع ذلك، فإن نماذج تقدير أسعار الأسهم المتوفرة حاليًا لا تأخذ في الاعتبار أي معلومات إضافية مثل الأخبار ودمجها مع أسعار الإغلاق كمدخل واحد لأنظمة التنبؤ، مما يجعل من الصعب تحقيق الدقة المطلوبة في التنبؤ بأسعار الأسهم.
مع ظهور تقنيات التعلم العميق (Deep Learning)، تم اقتراح العديد من خوارزميات التنبؤ. بعض الأساليب الحالية تستخدم أسعار الإغلاق فقط أو الأخبار فقط؛ ومع ذلك، فإن هذه الأساليب تتجاهل العلاقة الجوهرية بين سعر الإغلاق والأخبار المنشورة.
تتناول هذه الدراسة هذه الإشكالية من خلال تطوير نموذج يعتمد على دمج أسعار الإغلاق مع الأخبار المالية لتحسين دقة تنبؤات سوق الأسهم.
وللتعامل مع أنواع البيانات المختلفة، تم تصميم خوارزمية تستخدم كلًّا من:
الشبكة العصبية المتكررة (RNN)، وذاكرة المدى الطويل القصير (LSTM)، وWord2Vec لمعالجة مدخلين رئيسيين — أسعار الإغلاق والأخبار المالية — بهدف التنبؤ بأسعار الأسهم خلال الأيام السبعة التالية.
تواجه الشبكات العصبية المتكررة (RNN) مشكلة التلاشي والانفجار في المشتقات، بينما تتغلب LSTM على هذه المشاكل من خلال إضافة بوابات جديدة مثل بوابة الإدخال (Input Gate) وبوابة النسيان (Forget Gate)، مما يتيح تحكمًا أفضل في تدفق المشتقات والحفاظ على العلاقات طويلة المدى.
أما Word2Vec فيقوم بتوليد متجهات رقمية تمثل خصائص الكلمات مثل سياقها ومعناها، ويتم ذلك دون أي تدخل بشري.
تم تحسين نموذج LSTM واقتراح نموذج جديد لزيادة دقة التنبؤات. ومن أجل فهم دور الدمج بين البيانات التاريخية مثل أسعار الإغلاق والأخبار المالية في آليات التنبؤ بأسواق الأسهم، تمت دراسة الطريقة المقترحة القائمة على هذين المصدرين من البيانات، مع نموذج تنبؤ يهدف إلى تعزيز دقة النتائج.
وبناءً على التجارب التي أُجريت، أظهر النموذج المقترح DLSTM مع الأخبار المالية دقة تنبؤ بلغت 99.85%، في حين بلغ النموذج نفسه بدون الأخبار 99.54%، أما نموذج DRNN فحقق 97.31%. كما أُجريت تجارب على نفس مجموعة البيانات باستخدام النموذج التقليدي ARIMA، وحقّق دقة تنبؤ بلغت 98.29%.
تُظهر النتائج أن الأخبار المالية يمكن استخدامها بفعالية للتنبؤ بأسعار الأسهم، مما يؤكد أهمية تقنيات التعلم العميق ودمج مصادر متعددة للمعلومات في تحسين دقة التنبؤ في أسواق الأسهم.