سعید علمچی میبدی

هدف: هدف اصلی این پژوهش، حل تقابل بنیادین و کلیدی میان دقت پیش بینی و کارایی محاسباتی در مدل های پیش بینی قیمت سهام است. علی رغم توانایی مدل های یادگیری عمیق پیشرفته، مانند LSTM و Transformer، در دستیابی به دقت بالا، هزینه های سنگین پردازشی و تأخیر زمانی بالای آن ها، استقرار عملی این مدل ها را در اکوسیستم های مالی آنلاین و حساس به زمان، با چالش جدی مواجه ساخته است. این مسئله یک شکاف تحقیقاتی مهم را نمایان می سازد: فقدان یک چارچوب یکپارچه که بتواند به صورت سیستماتیک و هوشمند، این دو هدف متعارض (دقت و سرعت) را همزمان بهینه سازد. در پاسخ به این نیاز، این پژوهش یک چارچوب ترکیبی، تطبیقی و خودبهینه ساز با نام DE-Optimized AT-M(OS-ELM) را معرفی می کند که به طور خاص برای یافتن توازنی بهینه میان این دو معیار طراحی شده است. هدف نهایی، ارائه راهکاری عملی و واقع گرایانه است که ضمن حفظ دقت آماری رقابتی، بتواند با سرعت بسیار بالا با داده های جریانی سازگار شود و مسیر را برای کاربردی سازی هوش مصنوعی در سیستم های معاملاتی الگوریتمی بلادرنگ هموار کند. روش: روش شناسی این پژوهش بر پایه ی یک معماری چندلایه و هوشمند استوار است. چارچوب پیشنهادی، DE-Optimized AT-M(OS-ELM)، سه مؤلفه کلیدی را یکپارچه می سازد: (۱) یادگیرنده پایه (OS-ELM): از ماشین یادگیری حدی آنلاین و متوالی برای یادگیری سریع و تطبیق آنی با داده های جدید بدون نیاز به بازآموزی کامل استفاده می شود. (۲) ساختار گروهی تطبیقی (AT-M): برای افزایش پایداری و مدیریت نویز و پدیده «تغییر مفهوم»، چندین مدل OS-ELM در یک ساختار گروهی قرار گرفته اند و وزن هر مدل به صورت پویا بر اساس عملکرد اخیر آن در یک پنجره زمانی لغزان، با مکانیزم «وزن دهی مبتنی بر اعتماد» تنظیم می شود. (۳) موتور بهینه سازی (DE): از الگوریتم تکامل تفاضلی برای بهینه سازی خودکار و هوشمند ابرپارامترهای کلیدی مدل استفاده می گردد. نوآوری محوری این پژوهش، طراحی یک تابع هدف دوگانه برای الگوریتم DE است که به طور همزمان خطای پیش بینی (RMSE) و هزینه محاسباتی (زمان آموزش) را کمینه می کند. برای ارزیابی جامع عملکرد، از مجموعه داده های تاریخی ۱۴ ساله (۲۰۱۰-۲۰۲۳) پنج دارایی کلیدی بازار سهام آمریکا استفاده شد. مدل پیشنهادی با مدل های مبنای متنوعی شامل ARIMA، جنگل تصادفی، SVR، LSTM و Transformer مقایسه گردید. عملکرد مدل ها با معیارهای چندبعدی شامل دقت (RMSE, MAE, R²) و کارایی (زمان آموزش و پیش بینی) سنجیده و معناداری آماری نتایج با آزمون ناپارامتریک ویلکاکسون تأیید شد. یافته ها: نتایج ارزیابی کمی و کیفی نشان داد که چارچوب پیشنهادی با موفقیت به اهداف خود دست یافته است. در بُعد دقت، مدل پیشنهادی عملکردی بسیار رقابتی کسب کرد که از نظر آماری برتر یا کاملاً هم تراز با پیشرفته ترین مدل های یادگیری عمیق (LSTM و Transformer) بود (p < 0/05). برتری این مدل به ویژه در معیار دقت جهت دار (DA) که برای معاملات الگوریتمی حیاتی است، با میانگین 1/66% مشهودتر بود. برجسته ترین یافته، در بُعد کارایی محاسباتی نمایان شد؛ مدل پیشنهادی با میانگین زمان آموزش کمتر از یک ثانیه، سرعتی را به ثبت رساند که صدها برابر سریع تر از مدل های پیشرفته یادگیری عمیق بود. این کاهش چشمگیر هزینه محاسباتی، یک برتری قاطعانه و تعیین کننده برای کاربردهای عملی محسوب می شود. . تحلیل های بصری نیز این یافته ها را تأیید کرد؛ نمودار تحلیل توازن، مدل پیشنهادی را به تنهایی در «نقطه بهینه» (دقت بالا، هزینه پایین) قرار داد و تحلیل خطای لغزان نشان داد که این مدل پایداری عملکرد بالاتری را، به خصوص در دوره های پرنوسان بازار، حفظ می کند. نتیجه گیری: این پژوهش با موفقیت نشان داد که راهکار غلبه بر چالش دقت-سرعت در پیش بینی مالی، لزوماً در پیچیدگی بیشتر معماری ها نهفته نیست، بلکه در یک رویکرد مهندسی سیستم هوشمند و بهینه سازی هدفمند قرار دارد. چارچوب DE-Optimized AT-M(OS-ELM) با یکپارچه سازی هوشمندانه یادگیری آنلاین، پایداری گروهی تطبیقی و بهینه سازی دوهدفه، یک توازن سیستماتیک و مؤثر میان دقت و کارایی برقرار کرد. این مدل نه تنها به دقتی هم سطح یا برتر از مدل های پیشرفته دست یافت، بلکه این کار را با هزینه ای محاسباتی که چندین مرتبه مقیاس کمتر است، به انجام رساند. این دستاورد، رویکرد غالب مبنی بر تمرکز انحصاری بر مدل های پیچیده را به چالش می کشد و اهمیت طراحی راهکارهای عملی و کارآمد را برجسته می سازد. چارچوب ارائه شده به عنوان یک ابزار قدرتمند، پتانسیل بالایی برای پیاده سازی در سیستم های معاملاتی الگوریتمی و تحلیل های مالی بلادرنگ دارد و گامی مهم در جهت کاربردی سازی عملی هوش مصنوعی در امور مالی محسوب می شود.