هيمنة الانحدار الخطي في توقع أسعار أسهم تويوتا تحليل عالي الدقة (1980-2024(
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
يهدف هذا البحث إلى استكشاف فعالية الانحدار الخطي في التنبؤ بسعر سهم شركة تويوتا موتور. ويقارن أداءه بنماذج أكثر تعقيدًا، بما في ذلك الذاكرة طويلة المدى قصيرة المدى (LSTM) والغابات العشوائية. تعتمد الدراسة على بيانات أسعار الأسهم التاريخية من عام 1980 إلى عام 2024، مستمدة من ياهو فاينانس، وتعتمد على معالجة مسبقة دقيقة للبيانات وتقنيات هندسة الميزات، مثل المتوسطات المتحركة، ومقاييس التقلب، والميزات المتأخرة. يتكون مجتمع العينة من أكثر من 11,000 نقطة بيانات تمثل تاريخ سعر سهم تويوتا. من خلال تحليل استقرار الأداء التاريخي لشركة تويوتا والاستفادة من النماذج الإحصائية ونماذج التعلم الآلي، تُقدم الدراسة رؤى ثاقبة حول العلاقة بين البساطة ودقة التنبؤ في التنبؤ المالي. تكشف النتائج عن تفوق الانحدار الخطي على LSTM والغابة العشوائية، محققًا قيمة R-squared قدرها 0.9990، مما يجعله أداة فعّالة للغاية للتنبؤ بأسعار الأسهم في بيئات السوق المستقرة. بناءً على هذه النتائج، توصي الدراسة المستثمرين والمحللين بالنظر في نماذج أبسط مثل الانحدار الخطي للتنبؤ بأسعار الأسهم في سياقات تتميز باتجاهات تاريخية مستقرة، مع استكشاف مناهج هجينة للأسواق الأكثر تقلبًا.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-ShareAlike 4.0 International License.
المراجع
Reference
- Ahmed, S. F., Alam, Md. S. B., Hassan, M., Rozbu, M. R., Ishtiak, T., Rafa, N., Mofijur, M., Shawkat Ali, A. B. M., & Gandomi, A. H. (2023). Deep learning modelling techniques: Current progress, applications, advantages, and challenges. Artificial Intelligence Review, 56(11), 13521–13617. https://doi.org/10.1007/s10462-023-10466-8
-Chen, M., Challita, U., Saad, W., Yin, C., & Debbah, M. (2019). Artificial Neural Networks-Based Machine Learning for Wireless Networks: A Tutorial. IEEE Communications Surveys & Tutorials, 21(4), 3039–3071. IEEE Communications Surveys & Tutorials. https://doi.org/10.1109/COMST.2019.2926625
-Dama, F., & Sinoquet, C. (2021). Time Series Analysis and Modeling to Forecast: A Survey (arXiv:2104.00164). arXiv. https://doi.org/10.48550/arXiv.2104.00164
-Gupta, I., Mittal, H., Rikhari, D., & Singh, A. K. (2022). MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day (arXiv:2203.05835). arXiv. https://doi.org/10.48550/arXiv.2203.05835
-Lindemann, B., Müller, T., Vietz, H., Jazdi, N., & Weyrich, M. (2021). A survey on long short-term memory networks for time series prediction. Procedia CIRP, 99, 650–655. https://doi.org/10.1016/j.procir.2021.03.088
-Liu, S., Wu, K., Jiang, C., Huang, B., & Ma, D. (2023). Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach (arXiv:2401.00534). arXiv. https://doi.org/10.48550/arXiv.2401.00534
-Rodríguez-Pérez, R., & Bajorath, J. (2022). Evolution of Support Vector Machine and Regression Modeling in Chemoinformatics and Drug Discovery. Journal of Computer-Aided Molecular Design, 36(5), 355–362. https://doi.org/10.1007/s10822-022-00442-9
-Soegianto, L. M., Hinandra, A. T., Suri, P. A., & Fajar, M. (2024). Comparison of Model Performance on Housing Business Using Linear Regression, Random Forest Regressor, SVR, and Neural Network. Procedia Computer Science, 245, 1139–1145. https://doi.org/10.1016/j.procs.2024.10.343
-Zou, J., Lou, J., Wang, B., & Liu, S. (2023). A Novel Deep Reinforcement Learning Based Automated Stock Trading System Using Cascaded LSTM Networks (arXiv:2212.02721). arXiv. https://doi.org/10.48550/arXiv.2212.02721