کیان ملکی

افزایش پیچیدگی تعاملات میان بازارهای مالی، گسترش جریان های اطلاعاتی و تأثیرپذیری متقابل بازار سهام و ارز از عوامل اقتصادی و سیاسی، پیش بینی نوسانات این بازارها را به یکی از چالش های مهم حوزه مالی تبدیل کرده است. پژوهش حاضر با هدف طراحی یک مدل هوشمند برای پیش بینی همزمان نوسان بازار سهام و ارز مبتنی بر شبکه های مولد تخاصمی و یادگیری چندمدلی انجام شده است. در این پژوهش، با بهره گیری از قابلیت شبکه های مولد تخاصمی در استخراج الگوهای پنهان و تولید نمایش های واقع گرایانه از داده ها و همچنین توانایی یادگیری چندمدلی در ادغام داده های مالی، اقتصادی و خبری، مدلی ترکیبی برای پیش بینی نوسانات بازار طراحی شد. داده های پژوهش شامل اطلاعات تاریخی شاخص های بازار سهام، نرخ ارز، متغیرهای کلان اقتصادی و داده های متنی اخبار مالی طی دوره 1400 تا 1404 است. پس از انجام مراحل پیش پردازش، استخراج ویژگی و همگام سازی داده های چندمنبعی، مدل پیشنهادی آموزش داده شد و عملکرد آن با مدل های GARCH، شبکه عصبی بازگشتی، حافظه بلندمدت کوتاه مدت (LSTM) و XGBoost مقایسه گردید. مدل پیشنهادی در معیارهای دقت پیش بینی، میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین عملکرد برتری نسبت به مدل های مقایسه ای دارد. همچنین مدل توانسته است وابستگی های پیچیده و اثرات سرایتی میان بازار سهام و ارز را با دقت بیشتری شناسایی کرده و نوسانات آتی را در شرایط مختلف بازار پیش بینی کند. نتایج پژوهش بیانگر آن است که استفاده از شبکه های مولد تخاصمی و یادگیری چندمدلی می تواند به بهبود تصمیم گیری سرمایه گذاران، مدیریت ریسک و توسعه سامانه های هوشمند تحلیل بازارهای مالی کمک کند.

در سال های اخیر، سیستم های بانکی با افزایش قابل توجه حجم و پیچیدگی داده های مالی مشتریان مواجه شده اند. این موضوع باعث شده است روش های سنتی اعتبارسنجی که بر شاخص های محدود و فرضیات خطی تکیه دارند، کارایی کمتری داشته باشند. در نتیجه، روش های یادگیری ماشین به دلیل توانایی در مدل سازی روابط غیرخطی و پیچیده، به ابزارهای مهمی در ارزیابی ریسک اعتباری تبدیل شده اند. با این حال، مشکل اصلی این مدل ها عدم شفافیت و تفسیرپذیری آن هاست که استفاده عملی از آن ها را در محیط های بانکی و تحت مقررات محدود می کند.در این پژوهش، یک چارچوب اعتبارسنجی توضیح پذیر با ترکیب الگوریتم های یادگیری ماشین و روش SHAP ارائه شده است. در این مدل، از ویژگی های رفتاری مشتریان مانند الگوی تراکنش ها، سطح بدهی، سابقه بازپرداخت و شاخص های مرتبط استفاده شده و مدل هایی مانند Random Forest، Gradient Boosting و SVM برای پیش بینی ریسک اعتباری به کار گرفته شده اند. سپس SHAP برای تفسیر نتایج و تعیین میزان تأثیر هر ویژگی بر خروجی مدل استفاده شده است. نتایج نشان می دهد که ویژگی هایی مانند سابقه بازپرداخت، نسبت بدهی به درآمد و رفتار تراکنشی از مهم ترین عوامل در تعیین امتیاز اعتباری هستند. همچنین ترکیب یادگیری ماشین با SHAP علاوه بر حفظ دقت بالا، موجب افزایش شفافیت و تفسیرپذیری مدل می شود. در مجموع، این رویکرد می تواند اعتماد، عدالت و پاسخ گویی در سیستم های اعتبارسنجی را بهبود دهد و پایه ای برای تحقیقات آینده در حوزه تحلیل مالی توضیح پذیر فراهم کند.