بهینه‌سازی توازن دقت و سرعت در پیش‌بینی قیمت سهام: یک چارچوب یادگیری آنلاین گروهی و تطبیقی مبتنی بر تکامل تفاضلی

نوع مقاله : علمی - پژوهشی

نویسندگان

1 گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد تمام ریاضی کاربردی، گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران

3 دانشیارگروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

4 دانشیار مهندسی کامپیوتر،گروه هوش مصنوعی و رباتیک، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران

چکیده

چکیده

هدف: هدف اصلی این پژوهش، حل تقابل بنیادین و کلیدی میان دقت پیش‌بینی و کارایی محاسباتی در مدل‌های پیش‌بینی قیمت سهام است. علی‌رغم توانایی مدل‌های یادگیری عمیق پیشرفته، مانند LSTM و Transformer، در دستیابی به دقت بالا، هزینه‌های سنگین پردازشی و تأخیر زمانی بالای آن‌ها، استقرار عملی این مدل‌ها را در اکوسیستم‌های مالی آنلاین و حساس به زمان، با چالش جدی مواجه ساخته است. این مسئله یک شکاف تحقیقاتی مهم را نمایان می‌سازد: 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 خودبهینه‌ساز با نام DE-Optimized AT-M(OS-ELM) را معرفی می‌کند که به طور خاص برای یافتن توازنی بهینه میان این دو معیار طراحی شده است. هدف نهایی، ارائه راهکاری عملی و واقع‌گرایانه است که ضمن حفظ دقت آماری رقابتی، بتواند با سرعت بسیار بالا با داده‌های جریانی سازگار شود و مسیر را برای کاربردی‌سازی هوش مصنوعی در سیستم‌های معاملاتی الگوریتمی بلادرنگ هموار کند.



روش: روش‌شناسی این پژوهش بر پایه‌ی یک معماری چندلایه و هوشمند استوار است. چارچوب پیشنهادی، DE-Optimized AT-M(OS-ELM)، سه مؤلفه کلیدی را یکپارچه می‌سازد: (۱) یادگیرنده پایه (OS-ELM): از ماشین یادگیری حدی آنلاین و متوالی برای یادگیری سریع و تطبیق آنی با داده‌های جدید بدون نیاز به بازآموزی کامل استفاده می‌شود. (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 گرفته‌اند و وزن هر مدل به صورت پویا بر اساس عملکرد اخیر آن در یک پنجره زمانی لغزان، با مکانیزم «وزن‌دهی مبتنی بر اعتماد» تنظیم می‌شود. (۳) موتور بهینه‌سازی (DE): از الگوریتم تکامل تفاضلی برای بهینه‌سازی خودکار و هوشمند ابرپارامترهای کلیدی مدل استفاده می‌گردد. نوآوری محوری این پژوهش، طراحی یک تابع هدف دوگانه برای الگوریتم DE است که به طور همزمان خطای پیش‌بینی (RMSE) و هزینه محاسباتی (زمان آموزش) را کمینه می‌کند. برای ارزیابی جامع عملکرد، از مجموعه داده‌های تاریخی ۱۴ ساله (۲۰۱۰-۲۰۲۳) پنج دارایی کلیدی بازار سهام آمریکا استفاده شد. مدل پیشنهادی با مدل‌های مبنای متنوعی شامل ARIMA، جنگل تصادفی، SVR، LSTM و Transformer مقایسه گردید. عملکرد مدل‌ها با معیارهای چندبعدی شامل دقت (RMSE, MAE, R²) و کارایی (زمان آموزش و پیش‌بینی) سنجیده و معناداری آماری نتایج با آزمون ناپارامتریک ویلکاکسون تأیید شد.



یافته‌ها: 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 هم‌تراز با پیشرفته‌ترین مدل‌های یادگیری عمیق (LSTM و Transformer) بود (p < 0/05). برتری این مدل به ویژه در معیار دقت جهت‌دار (DA) که برای معاملات الگوریتمی حیاتی است، با میانگین 1/66% مشهودتر بود. برجسته‌ترین 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 سریع‌تر از مدل‌های پیشرفته یادگیری عمیق بود. این کاهش چشمگیر هزینه محاسباتی، یک برتری قاطعانه و تعیین‌کننده برای کاربردهای عملی محسوب می‌شود. . تحلیل‌های بصری نیز این یافته‌ها 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 دوره‌های پرنوسان بازار، حفظ می‌کند.



نتیجه‌گیری: این پژوهش با موفقیت نشان داد که راهکار غلبه بر چالش دقت-سرعت در پیش‌بینی مالی، لزوماً در پیچیدگی بیشتر معماری‌ها نهفته نیست، بلکه در یک رویکرد مهندسی سیستم هوشمند و بهینه‌سازی هدفمند قرار دارد. چارچوب DE-Optimized AT-M(OS-ELM) با یکپارچه‌سازی هوشمندانه یادگیری آنلاین، پایداری گروهی تطبیقی و بهینه‌سازی دوهدفه، یک توازن سیستماتیک و مؤثر میان دقت و کارایی برقرار کرد. این مدل نه تنها به دقتی هم‌سطح یا برتر از مدل‌های پیشرفته دست یافت، بلکه این کار را با هزینه‌ای محاسباتی که چندین مرتبه مقیاس کمتر است، به انجام رساند. این دستاورد، رویکرد غالب مبنی بر تمرکز انحصاری بر مدل‌های پیچیده را به چالش می‌کشد و اهمیت طراحی راهکارهای عملی و کارآمد را برجسته می‌سازد. چارچوب ارائه شده به عنوان یک ابزار قدرتمند، پتانسیل بالایی برای پیاده‌سازی در سیستم‌های معاملاتی الگوریتمی و تحلیل‌های مالی بلادرنگ دارد و گامی مهم در جهت کاربردی‌سازی عملی هوش مصنوعی در امور مالی محسوب می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing the trade-off between accuracy and speed in stock price forecasting: An online adaptive ensemble learning framework based on differential evolution

نویسندگان [English]

  • saeed Alamchi meybodi 1
  • ali delavarkhalfi 2
  • Maryam Khalili araghi 3
  • Mehdi Yazdian Dehkordi 4
1 Department of Financial management, SR.C., Islamic Azad University, Tehran, Iran
2 Full Professor of Applied Mathematics, Department of Applied Mathematics, Faculty of Mathematical Sciences, Yazd University, Yazd, Iran
3 Associate Professor of Department of Financial management, SR.C., Islamic Azad University, Tehran, Iran
4 Associate Professor of Computer Engineering, Artificial Intelligence and Robotics Group, Faculty of Computer Engineering, Yazd University, Yazd, Iran.
چکیده [English]

Abstract



Purpose:The primary objective of this research is to resolve the fundamental and critical trade-off between prediction accuracy and computational efficiency in stock price forecasting models. Despite the ability of advanced deep learning models, such as LSTM and Transformer, to achieve high accuracy, their heavy processing costs and high latency present serious challenges for their practical deployment in online, time-sensitive financial ecosystems. This issue highlights a significant research gap: the absence of an integrated framework capable of systematically and intelligently optimizing these two conflicting objectives (accuracy and speed) simultaneously. In response to this need, this study introduces a hybrid, adaptive, and self-optimizing framework named DE-Optimized AT-M(OS-ELM), specifically designed to find an optimal balance between these two metrics. The ultimate goal is to provide a practical and realistic solution that maintains competitive statistical accuracy while adapting to streaming data with extremely high speed, paving the way for the operationalization of artificial intelligence in real-time algorithmic trading systems.



Methodology:The methodology of this research is based on a multi-layered and intelligent architecture. The proposed framework, DE-Optimized AT-M(OS-ELM), integrates three key components: (1) Base Learner (OS-ELM): The Online Sequential Extreme Learning Machine is utilized for fast learning and instantaneous adaptation to new data without requiring complete retraining. (2) Adaptive Ensemble Structure (AT-M): To enhance stability and manage noise and "concept drift," multiple OS-ELM models are placed in an ensemble structure. The weight of each model is dynamically adjusted based on its recent performance within a sliding time window, using an "Adaptive Trust-weighted" mechanism. (3) Optimization Engine (DE): The Differential Evolution algorithm is employed for the automatic and intelligent optimization of the model's key hyperparameters. The core innovation of this research is the design of a dual-objective function for the DE algorithm, which simultaneously minimizes prediction error (RMSE) and computational cost (training time). For a comprehensive performance evaluation, a 14-year historical dataset (2010-2023) of five key assets from the US stock market was used. The proposed model was benchmarked against a diverse set of models, including ARIMA, Random Forest, SVR, LSTM, and Transformer. Model performance was assessed using multi-dimensional metrics for both accuracy (RMSE, MAE, R²) and efficiency (training and prediction time), and the statistical significance of the results was confirmed using the Wilcoxon non-parametric test.

.

Findings:The quantitative and qualitative evaluation results demonstrated that the proposed framework successfully achieved its objectives. In terms of accuracy, the proposed model delivered highly competitive performance, proving to be statistically superior or entirely on par with state-of-the-art deep learning models (LSTM and Transformer) (p < 0/05). Its superiority was particularly evident in the Directional Accuracy (DA) metric, which is critical for algorithmic trading, with an average of 66/1%. The most prominent finding emerged in the dimension of computational efficiency; with an average training time of less than one second, the proposed model registered a speed that was hundreds of times faster than advanced deep learning models. This dramatic reduction in computational cost represents a decisive and definitive advantage for practical applications. Visual analyses also confirmed these findings; the trade-off analysis plot uniquely positioned the proposed model in the "sweet spot" (high accuracy, low cost), and the rolling error analysis revealed that the model maintains higher performance stability, especially during periods of high market volatility.

.

Conclusion:This research successfully demonstrates that the solution to the accuracy-speed challenge in financial forecasting does not necessarily lie in greater architectural complexity but rather in a smart and targeted system engineering approach. The DE-Optimized AT-M(OS-ELM) framework, by intelligently integrating online learning, adaptive ensembling, and dual-objective optimization, establishes a systematic and effective balance between accuracy and efficiency. The model not only achieved accuracy on par with or superior to state-of-the-art models but did so at a computational cost that is orders of magnitude lower. This achievement challenges the paradigm of focusing exclusively on complex models and highlights the importance of designing practical and efficient solutions. The proposed framework, as a powerful tool, holds significant potential for implementation in algorithmic trading systems and real-time financial analytics, marking an important step toward the practical operationalization of artificial intelligence in finance.

کلیدواژه‌ها [English]

  • Keywords: Stock Price Prediction
  • Online Ensemble Learning
  • Accuracy-Efficiency Trade-off
  • Multi-Objective Optimization
  • Extreme Learning Machine (ELM)

مراجع

  1. Al-qaness, M. A. A., Ewees, A. A., Fan, H., & Abualigah, L. (2020). Optimization method for forecasting crude oil price using online sequential extreme learning machine. Applied Soft Computing, 95, 106518. https://doi.org/10.1016/j.asoc.2020.106518
  2. Ansari, H., & Mashayekhi, B. (2021). Stock price forecasting using a hybrid model based on GRU neural networks and whale optimization algorithm. Journal of Experimental Accounting Research, 11(42), 257–281. (In Persian)
  3. Azimi, R., Rezaei, F., & Karimi, M. (2023). Presenting a hybrid deep learning model and ant colony optimization algorithm for predicting the trend of Tehran Stock Exchange index. New Research in Decision Making, 8(4), 67–89. (In Persian)
  4. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control. John Wiley & Sons.
  5. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  6. Brest, J., Boskovic, B., Zamuda, A., & Fister, I. (2021). Self-adaptive differential evolution algorithm for single-objective constrained real-parameter optimization. Swarm and Evolutionary Computation, 60, 100802. https://doi.org/10.1016/j.swevo.2020.100802
  7. Brzezinski, D., Stefanowski, J., & Wilk, S. (2021). On the challenges of learning from streaming financial data with high-frequency updates. Expert Systems with Applications, 169, 114498. https://doi.org/10.1016/j.eswa.2020.114498
  8. Coello Coello, C. A. (2006). Evolutionary multi-objective optimization: A historical view of the field. IEEE Computational Intelligence Magazine, 1(1), 28–36. https://doi.org/10.1109/MCI.2006.1597059
  9. Das, S., & Suganthan, P. N. (2020). Real-world applications of differential evolution. In J. Kacprzyk & W. Pedrycz (Eds.), Handbook of computational intelligence (pp. 819–835). Springer. https://doi.org/10.1007/978-3-319-07173-2_27
  10. Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30.
  11. Dhahri, H., Al-qaness, M. A. A., Ewees, A. A., & Said, S. (2021). A novel online sequential learning approach for stock price forecasting. IEEE Access, 9, 75317–75329. https://doi.org/10.1109/ACCESS.2021.3080320
  12. Drucker, H., Burges, C. J., Kaufman, L., Smola, A. J., & Vapnik, V. (1997). Support vector regression machines. In Advances in neural information processing systems (pp. 155–161). MIT Press.
  13. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486
  14. Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054
  15. Gama, J., & Castillo, G. (2023). Adaptive learning from data streams. In Data streams (pp. 25–45). Chapman and Hall/CRC.
  16. Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys (CSUR), 46(4), 1–37. https://doi.org/10.1145/2523813
  17. Gogas, P., & Papadimitriou, T. (2021). Machine learning in asset pricing. Journal of Economic Surveys, 35(4), 1018–1051. https://doi.org/10.1111/joes.12394
  18. Goldstein, M. A., Kumar, P., & Graves, F. C. (2014). Computerized and high-frequency trading. The Financial Review, 49(2), 273-281. https://doi.org/10.1111/fire.12035
  19. Gonçalves, I., Vale, Z., & Corchado, J. M. (2022). Adaptive ensemble learning for financial market forecasting with concept drift. Neurocomputing, 489, 324–338. https://doi.org/10.1016/j.neucom.2022.03.031
  20. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.
  21. Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K. (2006). Extreme learning machine: Theory and applications. Neurocomputing, 70(1–3), 489–501. https://doi.org/10.1016/j.neucom.2005.12.126
  22. Huang, S.-C., Chuang, C.-C., Wu, C.-H., & Chen, C.-T. (2019). An online sequential extreme learning machine-based stock price prediction system. Applied Soft Computing, 77, 656–667. https://doi.org/10.1016/j.asoc.2019.01.042
  23. Kallam, S., Kumar, M. J. N. V. P., & Sadad, T. (2022). A DE-optimized hybrid CNN-LSTM for stock price forecasting. Neural Computing and Applications, 34, 20857–20874. https://doi.org/10.1007/s00521-022-07523-7
  24. Ko, T., Ryu, S., & Kim, H. (2019). Adaptive ensemble online sequential extreme learning machine for time series prediction. Applied Sciences, 9(12), 2465. https://doi.org/10.3390/app9122465
  25. Li, H., & Zhao, C. (2022). A novel hybrid model for stock price prediction based on optimization algorithm and deep learning. Physica A: Statistical Mechanics and its Applications, 592, 126839. https://doi.org/10.1016/j.physa.2022.126839
  26. Liang, N. Y., Huang, G. B., Saratchandran, P., & Sundararajan, N. (2006). A fast and accurate online sequential learning algorithm for feedforward networks. IEEE Transactions on Neural Networks, 17(6), 1411–1423. https://doi.org/10.1109/TNN.2006.880583
  27. Liu, Y., Zeng, Q., & Zhang, Y. (2024). TFD-Former: A temporal-frequency dependent Transformer for stock price forecasting. Expert Systems with Applications, 248, 123287. https://doi.org/10.1016/j.eswa.2023.123287
  28.  

77
  1. Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied Soft Computing, 90, 106181. https://doi.org/10.1016/j.asoc.2020.106181
  2. Shahi, T. B., Shrestha, A., Neupane, A., & Guo, W. (2022). Stock price forecasting with deep learning: A comparative study. Mathematics, 10(9), 1441. https://doi.org/10.3390/math10091441.
  3. Storn, R., & Price, K. (1997). Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11(4), 341–359. https://doi.org/10.1023/A:1008202821328
  4. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in neural information processing systems (pp. 5998–6008). Curran Associates.
  5. Wang, H., Zhang, J., Wu, L., & Wang, J. (2022). Adaptive and dynamic ensemble learning for evolving data streams. ACM Transactions on Knowledge Discovery from Data (TKDD), 16(2), 1–24. https://doi.org/10.1145/3467891
  6. Wang, Z., & Cao, J. (2022). A robust extreme learning machine for regression in the presence of outliers. IEEE Transactions on Cybernetics, 52(9), 9205–9217. https://doi.org/10.1109/TCYB.2021.3051597
  7. Zhou, Z.-H. (2021). Ensemble methods: Foundations and algorithms (2nd ed.). Chapman and Hall/CRC.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار