دوره 23، شماره 3 - ( 6-1405 )                   جلد 23 شماره 3 صفحات 101-83 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Farahani Z, Keyghobadi A, Madanchi Zaj M, Hashemi Daran H. A Multi-Source Deep Learning Framework with Attention and SHAP Explainability for Daily Gold Price Forecasting. , jor. 2026; 23 (3) :83-101
URL: http://jamlu.lahijan.iau.ir/article-1-2324-fa.html
فراهانی زهرا، کیقبادی امیررضا، معدنچی زاج مهدی، هاشمی داران حسن. طراحی چارچوبی تبیین‌پذیر مبتنی بر یادگیری عمیق چندمنبعی برای پیش‌بینی نرخ برابری طلا به دلار. ، تحقیق در عملیات در کاربردهای آن. 1405; 23 (3) :83-101

URL: http://jamlu.lahijan.iau.ir/article-1-2324-fa.html


گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران ، ar.keyghobadi@iau.ac.ir
چکیده:   (470 مشاهده)
پیش‌بینی نرخ برابری طلا به دلار به‌دلیل نوسانات شدید، روابط غیرخطی و تاثیرپذیری هم‌زمان از عوامل اقتصادی و رفتاری، یکی از مسایل پیچیده در اقتصاد مالی محسوب می‌شود. مطالعات پیشین عمدتاً بر داده‌های قیمتی یا شاخص‌های تکنیکال متمرکز بوده‌اند و کمتر به تلفیق نظام‌مند داده‌های ساختاریافته و سیگنال‌های احساسی همراه با تبیین‌پذیری مدل پرداخته‌اند. پژوهش حاضر با هدف رفع این خلأ، چارچوبی یادگیری عمیق چندمنبعی و تبیین‌پذیر ارایه می‌کند که در قالب معماری دوجریانی طراحی شده است. در این چارچوب، داده‌های قیمتی بازار توسط واحد بازگشتی دروازه‌دار پردازش شده و امتیازهای احساسی اخبار مالی با وقفه یک‌روزه از طریق سازوکار توجه تحلیل می‌شوند. همچنین، برای انتخاب ویژگی و افزایش شفافیت تصمیم‌گیری، از روش ارزش شاپلی استفاده شده است.
به‌منظور ارزیابی عملکرد مدل، چهار سناریوی آزمایشی شامل ترکیب‌های مختلف داده‌های قیمتی، شاخص‌های تکنیکال منتخب و سیگنال‌های احساسی تعریف شد. نتایج تجربی نشان داد معماری دوجریانی مبتنی بر داده‌های قیمتی و احساسات تاخیری بهترین عملکرد را داشته و به مقادیر 75/27 برای ریشه میانگین مربعات خطا و 73/19 برای میانگین خطای مطلق دست یافته است. مقایسه با مدل‌های تک‌جریانی نشان می‌دهد تلفیق داده‌های چندمنبعی و بهره‌گیری از سازوکار توجه موجب بهبود معنادار دقت پیش‌بینی شده است. افزون بر این، استفاده از روش ارزش شاپلی با حذف ویژگی‌های کم‌اثر و برجسته‌سازی نقش شاخص‌های مومنتوم کوتاه‌مدت، سطح تبیین‌پذیری مدل را افزایش داده است.
  یافته‌های پژوهش بیانگر آن است که ترکیب معماری‌های چندمسیره، داده‌های احساسی تاخیری و ابزارهای تبیین‌پذیر می‌تواند چارچوبی دقیق‌تر، پایدارتر و قابل اعتمادتر برای پیش‌بینی بازارهای مالی پرتلاطم فراهم سازد.
 
متن کامل [PDF 936 kb]   (180 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1404/10/13 | پذیرش: 1405/2/23 | انتشار: 1405/6/20

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.