💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

تُظهر هذه الدراسة أن نموذج التعلم العميق متعدد الوسائط القائم على تقنية "ترانسفورمر" (Transformer)، والذي يدمج بين الأساسيات المالية للشركات، والمؤشرات الفنية، وتحليل مشاعر الأخبار المستمد من نموذج "فينبيرت" (FinBERT)، يتفوق على كل من نماذج الانحدار اللوجستي ونماذج "إل إس تي إم" (LSTM) المرجعية في التنبؤ باتجاه أسعار الأسهم في أيام إعلان الأرباح، وذلك من خلال تحقيق حساسية فائقة تجاه التحركات المتقلبة.

المؤلفون الأصليون: Manuel Noseda, Nathan Soldati, Marco Paina

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Manuel Noseda, Nathan Soldati, Marco Paina

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تخمين ما إذا كان سعر السهم سيذهب إلى الأعلى، أو الأسفل، أو سيبقى محايداً في اليوم الذي تعلن فيه الشركة عن نتائج أرباحها. هذه لعبة صعبة للغاية لأن السوق مليء بالضجيج، والأسعار يمكن أن تقفز بجنون في لحظة واحدة.

لقد تعامل الباحثون من جامعة ETH Zurich مع هذا الأمر كأنه قصة بوليسية. لقد بنوا نظام "محقّق فائق" باستخدام الذكاء الاصطناعي لحل هذا اللغز. إليكم كيف فعلوا ذلك، مشروحاً بأسلوب مبسط:

1. القرائن الثلاث (البيانات)

لتقديم توقعاتهم، لم يكتفِ الذكاء الاصطناعي بالنظر إلى شيء واحد فقط. بل جمع ثلاثة أنواع مختلفة من القرائن، تماماً مثل محقق يجمع بين بصمات الأصابع، وشهادات الشهود، والدوافع:

تقرير صحة الشركة (الأساسيات): نظروا إلى 15 رقماً حقيقياً، مثل مقدار الربح الذي تحققه الشركة أو مقدار الديون التي عليها. هذه هي البيانات "الرسمية".
المزاج الأخير للسوق (ديناميكيات الأسعار): نظروا إلى سعر السهم خلال الثلاثين يوماً الماضية واستخدموا رياضيات بسيطة لمعرفة ما إذا كان السعر يتسارع أو يتباطأ.
همس الأخبار (تحليل المشاعر): استخدموا برنامج ذكاء اصطناعي خاص للقراءة يسمى FinBERT لقراءة آلاف المقالات الإخبارية المالية. هذا الذكاء الاصطناعي لا يقرأ الكلمات فحسب؛ بل يفهم "النبرة". هل الأخبار سعيدة، أم حزينة، أم محايدة؟

2. المحققون الثلاثة (النماذج)

قام الفريق بتدريب ثلاثة "محققين" مختلفين لحل القضية وقارنوا بين الأفضل بينهم:

المحقق التقليدي (الانحدار اللوجستي): هو مفكر خطي بسيط. ينظر إلى القرائن ويرسم خطاً مستقيماً للوصول إلى استنتاج. إنه سريع ولكنه غالباً ما يفتقد إلى التفاصيل الدقيقة.
المراقب الحذر (LSTM): هذا نموذج تعلم عميق يقرأ القصة يوماً بيوم، مثل قراءة كتاب صفحة تلو الأخرى. إنه حذر جداً. إذا لم يكن متأكداً بنسبة 100%، فإنه يلعب في الجانب الآمن.
صاحب الرؤية الشاملة (Transformer): هذا نموذج أكثر تقدماً يمكنه النظر إلى قصة الثلاثين يوماً بأكملها دفعة واحدة. يستخدم تقنية "الانتباه" لتحديد أي الأيام المحددة في الماضي كانت الأكثر أهمية، بدلاً من مجرد قراءتها بالترتيب.

3. الجزء الصعب: فخ "الحياد"

التحدي الأكبر هو أن معظم الأسهم في أغلب الأوقات لا تفعل شيئاً دراماتيكياً في يوم إعلان الأرباح؛ بل تبقى محايدة.

تخيل فصلاً دراسياً حيث يجلس 67% من الطلاب بهدوء، بينما يقفز عدد قليل منهم صعوداً وهبوطاً.
إذا اكتفى المحقق بتخمين أن "الجميع يجلسون"، فسيكون محقاً في معظم الأوقات، لكنه سيفقد كل القفزات المثيرة.
اضطر الباحثون لتعليم الذكاء الاصطناعي الخاص بهم أن يهتم بالقفزات النادرة والمجنونة (للأعلى أو للأسفل) بقدر اهتمامه بالأيام الهادئة المملة. لقد استخدموا نظام تسجيل خاص يعاقب الذكاء الاصطناعي بشدة إذا خمن الاتجاه الخاطئ (على سبيل المثال، قول "للأعلى" بينما ذهب السهم فعلياً "للأسفل").

4. النتائج: من الفائز؟

وجدت الورقة البحثية أنه لا يوجد محقق واحد "مثالي"؛ فالأمر يعتمد على ما تقدره أكثر: الأمان أم الحساسية.

المراقب الحذر (LSTM) كان "الرهان الآمن":
- كان محافظاً للغاية. كان يتوقع "الحياد" في معظم الأوقات لتجنب ارتكاب أخطاء مكلفة.
- النتيجة: ارتكب أقل عدد من الأخطاء المكلفة. إذا كنت تتجنب المخاطر (تخشى خسارة المال)، فهذا هو النموذج الذي تريده. إنه يشبه السائق الذي لا يلف عجلة القيادة إلا عندما يكون متأكداً تماماً.
صاحب الرؤية الشاملة (Transformer) كان "الصياد الحساس":
- كان أفضل بكثير في رصد قفزات الأسعار الجنونية. لقد التقط المزيد من التحركات "للأعلى" و"للأسفل".
- النتيجة: حقق أعلى درجة نجاح إجمالية (Macro F1) في العثور على هذه التحركات. ومع ذلك، ولأنه حاول اصطياد كل شيء، فقد ارتكب المزيد من الأخطاء بشأن أي اتجاه سيسلكه السهم. إنه يشبه السائق الذي يرصد كل حفرة في الطريق ولكنه قد ينحرف كثيراً.
المحقق التقليدي (الانحدار اللوجستي) عانى:
- كان بسيطاً جداً للتعامل مع المزيج المعقد من الأخبار والأسعار والتاريخ. لقد ارتكب أخطاءً اتجاهية متكررة ومكلفة.

5. "الخلطة السرية" (مشاعر الأخبار)

اختبر الباحثون ما يحدث إذا تمت إزالة "همس الأخبار" (المشاعر) من القرائن.

الحكم: أصبح كل المحققين أسوأ بدون الأخبار.
لماذا؟ وفرت الأخبار معلومات إضافية لم تستطع الأرقام ومخططات الأسعار رؤيتها بمفردها. لقد عملت كعنصر استقرار، مما ساعد الذكاء الاصطناعي على تقديم توقعات أكثر موثوقية.

الخلاصة

تخلص الورقة البحثية إلى أن التنبؤ بتحركات الأسهم في يوم إعلان الأرباح هو عملية توازن.

إذا كنت تريد تقليل المخاطر وتجنب الأخطاء الكبيرة، فإن نموذج LSTM (النموذج الحذر) هو الأفضل.
إذا كنت تريد اصطياد التحركات المتقلبة وأنت مستعد لقبول المزيد من المخاطر، فإن نموذج Transformer (النموذج الحساس) هو الأفضل.

ومن الأهمية بمكان أن الدراسة تثبت أنه لا يمكنك الاعتماد على الأرقام فقط؛ بل يجب تضمين "مزاج" الأخبار للحصول على أفضل النتائج.

ملخص تقني: التنبؤ باتجاه أسعار الأسهم في أيام إعلان الأرباح باستخدام التعلم العميق متعدد الوسائط

صياغة المشكلة
تتناول هذه الدراسة التحدي المتمثل في التنبؤ بحركة اتجاه أسعار الأسهم تحديداً في أيام إعلان الأرباح (EA). وقد صاغ المؤلفون ذلك كمسألة "تنبؤ بحركة الأسعار المدفوعة بالأحداث". وبالنظر إلى تسلسل زمني متعدد الوسائط يمثل الـ 30 يوماً التي تسبق إعلان الأرباح، فإن الهدف هو تصنيف اتجاه السعر بعد الإعلان إلى واحد من ثلاثة فئات: صعود (UP) حيث ( $R \geq 3\%$ )، هبوط (DOWN) حيث ( $R \leq -3\%$ )، أو محايد (NEUTRAL) في الحالات الأخرى. وتتميز هذه المشكلة بوجود ضجيج سوقي كبير، وانقطاعات سعرية عالية التأثير، واختلال حاد في توازن الفئات، حيث تشكل الفئة المحايدة حوالي 67% من الملاحظات.

المنهجية
تستخدم الدراسة نهج التعلم العميق متعدد الوسائط، حيث تدمج ثلاث وسائط بيانات متميزة في فضاء سمات موحد ذي بُعد $d=21$ :

الأساسيات المالية للشركة ( $d_f=15$ ): مقاييس ربع سنوية وسنوية (مثل هامش صافي الربح، والعائد على حقوق الملكية، ونسبة الدين إلى حقوق الملكية) والتي تعمل كمؤشرات للحالة المالية.
ديناميكيات السوق ( $d_m=3$ ): أسعار الإغلاق المعدلة ومؤشرات الزخم قصيرة المدى (المتوسطات المتحركة البسيطة لمدة 3 أيام و6 أيام).
مشاعر الأخبار ( $d_n=3$ ): درجات المشاعر المستمدة من المقالات الإخبارية المالية التي تمت معالجتها عبر نموذج FinBERT، وهو نموذج لغوي تم ضبطه بدقة للمجال المالي. بالنسبة للأيام التي تحتوي على مقالات متعددة، يتم حساب متوسط ناقلات المشاعر.

معالجة البيانات والنمذجة
تغطي مجموعة البيانات أفضل 500 شركة أمريكية من حيث القيمة السوقية خلال نافذة زمنية مدتها عشرة أشهر. تتضمن المعالجة المسبقة الإسناد الزمني (التعبئة الأمامية للأيام غير التداولية)، والإسناد عبر المقطع العرضي للأساسيات المتفرقة، والتقييس باستخدام الدرجة المعيارية (z-score). ولمعالجة الاختلال في توازن الفئات، استخدم المؤلفون دالة خسارة "الإنتروبيا المتقاطعة الموزونة" التي تعاقب أخطاء الاتجاه (صعود مقابل هبوط) بشكل أكبر من أخطاء التصنيف المحايد.

تم تقييم ثلاثة بنى للنماذج:

الانحدار اللوجستي (النموذج المرجعي): مصنف متعدد الحدود غير زمني يتم تدريبه على نوافذ مدتها 30 يوماً مسطحة.
الذاكرة الطويلة قصيرة المدى (LSTM): شبكة متكررة مكدسة مكونة من طبقتين (بُعد مخفي 64) مصممة لالتقاط التبعيات التسلسلية.
المحول (Transformer): بنية مشفرة تعتمد على آلية الانتباه الذاتي (طبقتان، 4 رؤوس) تستخدم ترميزات الموضع الجيبية لالتقاط الأنماط الزمنية العالمية عبر نافذة الـ 30 يوماً دون انحياز استقرائي تسلسلي صارم.

تم تدريب النماذج وتقييمها باستخدام مقاييس تتماشى مع اتخاذ القرار المالي: الدقة (Precision) للإشارات القابلة للتنفيذ، ودرجة F1 المتوسطة (Macro-averaged F1) لموازنة الأداء عبر الفئات غير المتوازنة، ومقياس تكلفة مخصص يفرض عقوبات أعلى على أخطاء التبديل بين الصعود والهبوط (UP $\leftrightarrow$ DOWN).

النتائج الرئيسية
تكشف النتائج التجريبية عن مقايضة واضحة بين الحساسية والتحكم في المخاطر:

أداء LSTM: يتبنى نموذج LSTM استراتيجية محافظة، حيث يتنبأ بشكل متكرر بالفئة المحايدة (NEUTRAL). يؤدي هذا إلى أدنى تكلفة مالية مخصصة ودقة عالية للإشارات الاتجاهية، ولكنه يسفر عن درجة F1 متوسطة أقل بسبب تفويت الأحداث المتقلبة.
أداء Transformer: يظهر نموذج Transformer حساسية فائقة، حيث يحدد المزيد من أحداث الصعود والهبوط مقارنة بـ LSTM. وبناءً على ذلك، يحقق أعلى درجة F1 متوسطة (0.390) ولكنه يتكبد تكلفة مخصصة أعلى بسبب زيادة الأخطاء الاتجاهية.
أداء النموذج المرجعي: يظهر نموذج الانحدار اللوجسي ملف قرار غير مستقر مع انحياز نحو التنبؤ بحركات الصعود، مما يؤدي إلى أعلى تكلفة مالية وتبديلات اتجاهية مكلفة ومتكررة.
تأثير المشاعر: تؤكد دراسة الاستئصال أن إزالة سمات مشاعر الأخبار يؤدي إلى تدهور الأداء في جميع النماذج. وكان هذا التأثير أكثر وضوحاً في نموذج LSTM، مما يشير إلى أن بيانات المشاعر تلعب دوراً حيوياً في استقرار النماذج التسلسلية العميقة.

الأهمية والادعاءات
يزعم البحث المساهمة في مجال التنبؤ بأسعار الأسهم الخاص بإعلانات الأرباح (EA) الذي لا يزال غير مدروس بشكل كافٍ، من خلال إثبات قيمة الجمع بين المعلومات "الصلبة" (الأساسيات، الأسعار) والمعلومات "الناعمة" (مشاعر الأخبار) في إطار متعدد الوسائط. ويؤكد المؤلفون أنه بينما لا تكفي النماذج الخطية لالتقاط التفاعلات الزمنية وعبر الوسائط المعقدة في بيانات إعلانات الأرباح، فإن بنى التعلم العميق تقدم مزايا متميزة اعتماداً على استراتيجية الاستثمار. وتحديداً، تسلط الدراسة الضوء على أن اختيار النموذج يعتمد على التطبيق المستهدف: فالاستراتيجيات المتحفظة من المخاطر قد تفضل استقرار LSTM، بينما قد تستفيد الاستراتيجيات الساعية للتقلب من الحساسية العالية لنموذج Transformer. ويؤكد العمل أن دمج مشاعر الأخبار يوفر إشارات تنبؤية تكميلية تعمل على تحسين الاستقرار والأداء بما يتجاوز ما يمكن أن تقدمه الأساسيات وديناميكيات الأسعار وحدها.