دوره 23، شماره 3 - ( 6-1405 )
جلد 23 شماره 3 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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)
URL: http://jamlu.lahijan.iau.ir/article-1-2324-fa.html
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)
گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران ، ar.keyghobadi@iau.ac.ir
چکیده: (55 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.
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.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
