پیش‌بینی سری‌های زمانی مالی با رویکرد یادگیری عمیق: مروری بر روش‌ها، چالش‌ها و روندهای نوین

چکیده

پیش‌بینی قیمت دارایی‌های مالی همواره یکی از چالش‌برانگیزترین مسائل در حوزه مالی و اقتصاد بوده است. ماهیت غیرخطی، ناایستا و پویای بازارهای مالی، روش‌های آماری سنتی را با محدودیت‌های جدی مواجه کرده و زمینه را برای ظهور رویکردهای نوین مبتنی بر یادگیری عمیق فراهم آورده است. این مقاله به مرور نظام‌مند روش‌های پیش‌بینی سری‌های زمانی مالی بر پایه یادگیری عمیق می‌پردازد. چهار پارادایم اصلی شامل شبکه‌های عصبی پیچشی، شبکه‌های عصبی بازگشتی و مشتقات آن‌ها مانند حافظه طولانی‌مدت کوتاه‌مدت، شبکه‌های عصبی گراف و مدل‌های مبتنی بر سازوکار توجه از جمله ترانسفورم‌ها، به‌طور مفصل بررسی می‌شوند. همچنین، مفاهیم کلیدی در آموزش این مدل‌ها از جمله توابع خطا و سنجه‌های ارزیابی با نگاهی ویژه به کاربردهای مالی تحلیل می‌شوند. یافته‌ها نشان می‌دهد که مدل‌های ترکیبی و معماری‌های مبتنی بر توجه، به‌ویژه در مواجهه با نوسانات شدید بازار و افق‌های پیش‌بینی بلندمدت، عملکرد پایدارتری نسبت به رویکردهای سنتی دارند. در پایان، چالش‌های موجود از جمله نرمال‌سازی داده‌ها، نشت اطلاعات، تفسیرپذیری و پیچیدگی محاسباتی مورد بحث قرار گرفته و مسیرهای پژوهشی آینده ترسیم می‌شود.