Journal of Operational Research and Its Applications

fa طراحی چارچوبی تبیین‌پذیر مبتنی بر یادگیری عمیق چندمنبعی برای پیش‌بینی نرخ برابری طلا به دلار A Multi-Source Deep Learning Framework with Attention and SHAP Explainability for Daily Gold Price Forecasting تخصصي Special پژوهشي Research 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.   Gold price forecasting is a challenging task due to the high volatility, nonlinear dynamics, and simultaneous influence of economic and behavioral factors in the XAU/USD market. This paper proposes a multi source deep learning framework with explainability that integrates Gated Recurrent Units (GRU), an attention mechanism, and SHapley Additive exPlanations (SHAP) within a dual stream architecture. In the proposed model, structured market data (OHLC prices and SHAP selected technical indicators) are processed in one stream, while one day lagged sentiment scores extracted from financial news are modeled in a parallel attention based stream. Four experimental scenarios are designed to systematically combine OHLC, technical indicators, and lagged sentiment signals. Empirical results show that the dual stream configuration with OHLC and lagged sentiment achieves the best performance, with a root mean squared error (RMSE) of 27.75 and a mean absolute error (MAE) of 19.73, outperforming single stream GRU baselines and classical time series models across RMSE, MAE, MAPE, and R². SHAP based feature selection not only reduces input dimensionality but also enhances interpretability by highlighting the dominant role of short term exponential moving averages and momentum indicators. Overall, the findings indicate that intelligent, multi source, and explainable architectures can provide more accurate and reliable forecasts for volatile financial markets such as gold.   یادگیری عمیق, مکانیزم توجه, روش توضیحات جمعی شاپلی, معماری دوجریانی. Deep learning, Attention, SHAP feature selection, Dual-stream architecture. 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2158-1&slc_lang=fa&sid=1 Z. Farahani زهرا فراهانی zahrafarahani@iau.ac.ir 100319475328460011842 100319475328460011842 No Department of Financial management, Ro.C., Islamic Azad University, Roudehen, Iran گروه مدیریت مالی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران A. Keyghobadi امیررضا کیقبادی ar.keyghobadi@iau.ac.ir 100319475328460011843 100319475328460011843 Yes Department of Industrial Management, CT.C., Islamic Azad University, Tehran, Iran گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران M. Madanchi Zaj مهدی معدنچی زاج ma.madanchi@iau.ac.ir 100319475328460011844 100319475328460011844 No Department of Financial Management, CT.C., Islamic Azad University, Tehran, Iran گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران H. Hashemi Daran حسن هاشمی داران daran_14444@yahoo.com 100319475328460011845 100319475328460011845 No Department of Economics and Management, Ro.C., Islamic Azad University, Roudehen, Iran گروه اقتصاد، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران