شماره ركورد
34894
پديد آورنده
اميرحسين گندمي
عنوان
پيش بيني بازارهاي مالي با استفاده از مدل مبدل مولد چند متغيره (GT-CME)؛ گذار از همبستگي ايستا به عليت پويا
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع گرايش سيستم هاي مالي
سال تحصيل
1402
تاريخ دفاع
1404/12/03
استاد راهنما
دكتر سيد جعفر سجادي
استاد مشاور
ندارم
دانشكده
مهندسي صنايع
چكيده
نوسانات قيمت سهام نه تنها تحت تأثير سيگنالهاي تاريخي بازار، بلكه تحت تأثير احساسات متنيِ بدون ساختار استخراجشده از اخبار و شبكههاي اجتماعي نيز قرار دارد. رويكردهاي چندوجهي موجود كه از همبستگي ميان سهام مختلف استفاده ميكنند، به دليل اتكا به روابط كمي قوي بين داراييها، دچار پديده «غلبه ويژگي» ميشوند؛ بهطوريكه سيگنالهاي قيمتي غالب، سيگنالهاي ظريف موجود در دادههاي متني را پنهان ميكنند. در اين پژوهش، مدل مبدل مولد چندمتغيره مبتني بر عليت با عنوان CME-GT براي پيشبيني قيمت سهام معرفي ميشود. ابتدا دادههاي تاريخي قيمت با استفاده از تجزيه مود وارياسيوني (VMD) پردازش ميشوند تا نويزهاي فركانس بالا كاهش يابد. سپس، راهبرد «پركنش رو به جلو» (Forward Fill) براي همترازسازي تعبيههاي احساسات توليدشده توسط FinBERT كه بهصورت ناهمگام دريافت ميشوند، به كار ميرود. در ادامه، چارچوبي مبتني بر شبكه مولد تخاصمي واترشتاين با جريمه گراديان (WGAN-GP) همراه با تابع زيان تركيبي جهتدار طراحي ميشود. اين چارچوب، لايه «ادغام اجباري» مبتني بر الحاق و رمزگذار ترنسفورمر را بهعنوان مولد تركيب ميكند و تحت آموزش تخاصمي همراه با سازوكار «حذف وجهيت» قرار ميگيرد. مدل پيشنهادي بر روي دادههاي سهام شركت گوگل (GOOGL) ارزيابي شده است. نتايج آزمايشها بر روي دوره پنجساله 2021 تا 2025 نشان ميدهد كه مدل CME-GT با وجود خطاي رگرسيون ظاهراً بالاتر (ميانگين قدرمطلق خطاي 5٫77 دلار در مقايسه با 2٫05 دلار مدل پايه)، به بازده سرمايهاي معادل 210٫55 درصد دست يافته است. اين در حالي است كه مدل پايه مبتني بر همبستگي چندسهامي با خطاي كمتر، بازده منفي (8٫77- درصد) داشته است. اين يافته تأييد ميكند كه در پيشبيني مالي، دقت جهتدار و توانايي در شناسايي نقاط بازگشت بازار، معيار سودآورتري نسبت به دقت عددي صِرف است.
تاريخ ورود اطلاعات
1405/03/12
عنوان به انگليسي
Forecasting Financial Markets Using the Multivariate Generative Transformer Model (CME-GT): Transition from Static Correlation to Dynamic Causality
تاريخ بهره برداري
6/1/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
اميرحسين گندمي
چكيده به لاتين
Not only historical market signals but also unstructured textual sentiment from news and social media influence the stock volatility of a company. Currently, most multimodal approaches that utilize inter-stock correlations rely on multi-stock graph inputs to capture market dynamics. Consequently, this approach often leads to the "Feature Dominance" phenomenon, where strong price signals from related assets mask subtle predictive signals embedded in textual data.
Thus, this study introduces CME-GT, a causal multimodal enhanced generative transformer, for predicting stock prices. Initially, the proposed model processes historical price data using Variational Mode Decomposition (VMD) to mitigate high-frequency noise and employs a Forward Fill strategy to align asynchronous FinBERT-generated sentiment embeddings. Subsequently, a Wasserstein Generative Adversarial Network (WGAN-GP) framework, augmented with a Hybrid Directional Loss, is constructed to enhance the predictive performance of the model. The framework combines a Concatenation-based Forced Fusion layer and a Transformer Encoder as the generator. It undergoes adversarial training with a Modality dropout mechanism, facilitating the in-depth exploration of dynamic causal relationships between sentiment and price by isolating the target asset. The proposed model is evaluated on GOOGL stock data, and the experimental results confirm its effectiveness and superiority over multi-stock baselines in detecting market turning points.
كليدواژه هاي فارسي
پيش بيني بازار سهام , مدل هاي يادگيري چند وجهي , غلبه ويژگي , همجوشي اجباري , تحليل حساسيت , شبكه مولد تخاصمي واسراشتاين با جريمه گراديان
كليدواژه هاي لاتين
Stock Price Prediction , Multimodal Learning , Feature Dominance , Forced Fusion , Sentiment Analysis , WGAN-GP
Author
Amirhossein Gandomi
SuperVisor
Dr. Seyed Jafar Sajjadi