بررسی تاثیر همبستگی بین نمادهای مالی مختلف بر دقت پیش‌بینی های بازار سهام

پیش‌بینی بازار سهام به‌دلیل نوسانات شدید و ماهیت غیرایستای داده‌ها از مهم‌ترین چالش‌های مهندسی مالی است و به روش‌های پیشرفته مبتنی بر یادگیری عمیق نیاز دارد. در این پژوهش سه معماری شامل شبکه حافظه بلندمدت–کوتاه‌مدت، مدل خطی مبتنی بر تفکیک و ترنسفورمر چندمرحله‌ای با مکانیزم توجه درهم‌تنیده با داده‌های بورس تهران و بازار نزدک تحت چهار نوع ورودی قیمت خام، قیمت همراه شاخص‌های فنی، قیمت همراه با سیگنال‌های بین‌نمادی ناشی از همبستگی خطی با تاخیر و ترکیب قیمت، شاخص های فنی و نماد های همبسته مقایسه شدند. نتایج نشان داد در بورس تهران، افزودن شاخص‌های فنی به شبکه حافظه بلندمدت–کوتاه‌مدت خطای میانگین مربعات را 33% (از 0.039 به 0.026، مقدارp-value حدودا برابر با 5-10 × 7.2)کاهش و دقت پیش‌بینی روند را 5.5% افزایش داد (از 51.5% به 57) مدل خطی مبتنی بر تفکیک با شاخص‌های فنی 37% کاهش خطا (از 0.040 به 0.025) و 3.9% بهبود دقت داشت و ترنسفورمر چندمرحله‌ای با مکانیزم توجه درهم‌تنیده بیشترین کاهش خطا یعنی 44% (از 0.057 به 0.032، مقدارp-value حدودا برابر با 9-10 × 4.2) همراه با 2.8% افزایش دقت پیش‌بینی روند را ثبت کرد. در بازار نزدک، شبکه حافظه بلندمدت–کوتاه‌مدت تنها حدود 0.9% بهبود دقت پیش‌بینی روند داشت، در حالی‌که مدل خطی مبتنی بر تفکیک با ورودی‌های همبسته نرخ رشد خطا را 82% (از 829% به 152%) کاهش داد هرچند میانگین خطا افزایش یافت در مقابل ترنسفورمر چندمرحله‌ای با مکانیزم توجه درهم‌تنیده با ورودی‌های همبسته ناپایدار شد و خطای آن تقریباً دو برابر گردید و دقت پیش‌بینی روند حدود 2% افت کرد. این نتایج نشان می‌دهد هیچ مدلی برتری مطلق ندارد و انتخاب معماری و نوع ورودی باید متناسب با هدف پیش‌بینی و شرایط بازار انجام شود، ازاین‌رو رویکرد سناریومحور در طراحی سامانه‌های پیش‌بینی می‌تواند به دستیابی به عملکردی پایدارتر و قابل اعتمادتر در محیط‌های مالی پویا منجر شود.

the impact of stock correlation on stock market price prediction

stock market forecasting is a challenging task due to volatility and the non-stationary nature of financial time series. this study compares three architectures (lstm, dlinear, and meaformer) using tehran stock exchange and nasdaq data under four input configurations: raw prices, prices with technical indicators, prices with inter-symbol signals derived from lagged linear correlations, and the combination of technical indicators and correlated symbols. on the tehran market, lstm with technical indicators reduced mse by 33% (from 0.039 to 0.026, p-value ≈ 7.2×10⁻⁵) and improved directional accuracy (da) by 5.5% (from 51.5% to 57.0%), while dlinear with technical indicators achieved a 37% error reduction (from 0.040 to 0.025) with a 3.9% da improvement, and meaformer with technical indicators showed the largest error drop of 44% (from 0.057 to 0.032, p-value ≈ 4.2×10⁻⁹) with a 2.8% da gain. on the nasdaq market, lstm offered only marginal improvements (~0.9% da gain), whereas dlinear with correlated inputs reduced the error growth rate by 82% (from 829% to 152%), though mean error increased. in contrast, meaformer with correlated inputs exhibited instability, as mse nearly doubled (from 0.058 to 0.108) and da dropped by about 2%. these findings demonstrate that no single model consistently outperforms others: lstm with technical indicators is more effective for improving trend prediction, dlinear benefits from inter-symbol correlations to control error growth, and meaformer is prone to instability under volatile conditions. the results highlight the need for a scenario-based approach in designing forecasting systems to achieve more reliable performance across different market environments