رویکردهای نوین در مدل سازی و پیش بینی بازارهای مالی: پیشرفت های اخیر و افق های آینده

سری های زمانی مالی اساسا پیچیده، دینامیک، نویزی، غیرخطی، غیرپارامتری و آشوبگونه هستند، لذا پیش بینی بازارهای مالی به عنوان یکی از چالش برانگیزترین زمینه ها در حوزه مهندسی و اقتصاد مطرح می باشد. با پیشرفت روزافزون هوش مصنوعی و روی کارآمدن روش های نوین یادگیری عمیق، مساله پیش بینی بازار سهام با تحولات چشمگیری بخصوص در زمینه مدل های پیاده سازی و نیز حجم عظیمی از انواع داده های ورودی همراه شده است. چهار گام مهم برای ایجاد یک ساختار پیش بینی هوشمند سیستماتیک شامل: ورودی های مدل، انتخاب الگوریتم های پیش بینی و ارائه ساختار کلی مدل پیش بین، بکاربردن توابع خطای متناسب با مساله جهت آموزش الگوریتم یادگیری و در نهایت ارزیابی صحیح نتایج با توجه به معیارهای مورد نظر می باشد. در این مقاله مرور جامعی بر رویکردهای اخیر مساله پیش بینی بازار سهام با تمرکز بر چهار عامل فوق ارائه گردیده است. مهم ترین دست آورد های این مقاله عبارتند از: 1- بررسی همه جانبه مساله شامل: مرور انواع ورودی های مدل، ساختارهای مختلف پیش بینی، آموزش مدل و انواع توابع خطای بکار برده شده، و نیز سنجه های ارزیابی نتایج، بصورت کاملا طبقه بندی شده و ساختاریافته بطوریکه نقشه راه مساله و چالش های موجود را بسادگی در اختیار علاقه مندان قرار دهد و هر بخش زمینه پژوهشی مهمی را به پژوهشگران ارائه نماید. 2- تحلیل کامل هر بخش، مشخص کردن کاربرد هریک از روش ها و بحث و بررسی مزایا و معایب آن ها براساس آخرین پیشرفت ها و ارائه چشم اندازهایی از مرزهای پژوهشی مساله 3- مشخص کردن مسیر تحقیقاتی درحال انجام، رویکردهای آینده و مسائل باز جهت کمک به محققان و پژوهشگران علاقه مند به این حوزه.

new approaches in modeling and forecasting financial markets: recent progress and future horizons

financial time series are fundamentally complex, dynamic, noisy, non-linear, non-parametric and chaotic, so forecasting financial markets is one of the most challenging fields in engineering and economics. with the increasing progress of artificial intelligence and the emergence of deep learning methods, the problem of stock market forecasting has been faced with significant developments, especially in the field of prediction models and big data. four important steps to create a systematic intelligent forecasting model include model inputs, selection of forecasting algorithms and design of the general structure of the forecasting model, using appropriate loss functions to train the algorithm and finally suitable evaluation of the results, according to the desired criteria. in this paper, a comprehensive review of recent approaches to stock market forecasting is provided, focusing on the above steps. the most important achievements of this paper are: 1- a comprehensive review of the problem, including: reviewing the types of model inputs, different prediction structures, training the model and types of loss functions used, and the evaluation metric of the results, in a fully classified and structured way to easily provide the road map and existing challenges for the enthusiasts and also an important research field of each section for the researchers. 2- complete analysis of each part, specifying the application of each method and discussing their advantages and disadvantages based on the latest developments and providing perspectives on the research boundaries. 3- determining the ongoing research path, future approaches and open issues for researchers interested in this field.