Krize müdahale görev gücü, piyasa tahminlerini yürütmek için uzun kısa süreli bellek ağını (LSTM) vektör otoregresif modeliyle (VAR) birlikte kullanıyor
TSAI
Finansal piyasanın karmaşık ekolojisinde, makroekonomik dalgalanmalardan sektördeki yapısal düzenlemelere kadar çeşitli risk olayları sıklıkla meydana gelir, piyasa ortamındaki değişiklikler yatırımcılara ve kurumsal operasyonlara birçok zorluk getirir. Bu zorluklara etkili bir şekilde yanıt verebilmek için TSAI platformu bir kriz müdahale ekibi oluşturdu. Ekip, pazar tahminleri yürütmek için Uzun Kısa Süreli Belleği (LSTM) ve Vektör Otoregresyon'u (VAR) yenilikçi bir şekilde kullanarak platform kullanıcılarına ileriye dönük pazar öngörüleri sağlıyor ve karar almalarına yardımcı oluyor.
1. Finansal piyasa tahminlerinde karşılaşılan zorluklar
Finansal piyasa oldukça karmaşık ve dinamik olarak değişen bir sistemdir ve eğilimleri, makroekonomik göstergelerden (GSYİH büyümesi, enflasyon, faiz oranları vb.), sektör gelişme eğilimlerinden, politika ve düzenlemelerdeki ayarlamalardan, işletmelerin mikro işletme koşullarından ve acil durumlardan etkilenir. Bu faktörler iç içe geçmiştir ve karmaşık ilişkilere sahiptir ve veriler doğrusal olmayan, zamanla değişen ve diğer özellikler sergiler. Örneğin, 2008 küresel mali krizi sırasında, ABD yüksek faizli kredilerinin temerrüdü zincirleme bir reaksiyonu tetikleyerek küresel borsa, tahvil piyasası ve döviz piyasası gibi birçok finansal piyasada şiddetli dalgalanmalara yol açtı. Geleneksel doğrusal tahmin modellerinin karmaşık bağımlılıkları ve uzun vadeli eğilimleri yakalaması zordu, bu da piyasa tahminlerinde büyük hatalara yol açtı ve yatırımcıların ve işletmelerin doğru piyasa tahminleri ihtiyaçlarını karşılayamadı. İstatistiklere göre, kriz sırasında S&P 500 Endeksi'nin trendini geleneksel doğrusal modellere göre tahmin etmedeki hata oranı %30 - %50'ye kadar çıkmış, bu da kabul edilebilir aralığın çok ötesindedir ve yatırımcılara etkili bir rehberlik sağlayamamaktadır.
2. Uzun kısa süreli bellek ağının (LSTM) ve vektör otoregresif modelinin (VAR) ilkeleri ve avantajları
(1) Uzun kısa süreli bellek ağı (LSTM)
Tekrarlayan Sinir Ağının (RNN) özel bir mimarisi olan LSTM, uzun vadeli bağımlılık bilgilerini etkili bir şekilde öğrenmek ve korumak amacıyla, uzun dizili verileri işlerken geleneksel RNN'nin karşılaştığı kaybolma ve gradyan patlaması sorunlarını çözmek için tasarlanmıştır. Unutma kapıları, giriş kapıları ve çıkış kapıları dahil olmak üzere bir geçit mekanizması sunarak bilginin girişini, çıkışını ve hafızasını hassas bir şekilde kontrol eder.
Unutma kapısı, hücre durumundan hangi bilgilerin atılacağını belirler; giriş kapısı, yeni bilgilerin eklenmesini kontrol eder ve çıkış kapısı, hücre durumuna bağlı olarak o andaki çıktıyı üretir. Bu benzersiz yapı, LSTM'nin uzun vadeli seri verilerini işlerken önemli bilgileri seçici olarak hatırlamasını ve ilgisiz bilgileri göz ardı etmesini sağlar, böylece zaman serilerindeki uzun vadeli bağımlılıkları etkili bir şekilde modellemektedir. Finansal piyasa veri işlemede LSTM, piyasa eğilimleri ve mevsimsel değişiklikler gibi uzun vadeli modelleri yakalayabilir. Altın fiyatları trendleri analizi örnek alınarak, LSTM modelinin son 10 yıldaki günlük altın fiyatları verileri üzerinde eğitilmesiyle, modelin, yıllık altın tüketiminin yoğun olduğu sezon (Bahar Şenliği, Hindistan'daki Diwali vb. gibi) civarında altın fiyatlarının mevsimsel yükseliş eğilimini doğru bir şekilde tanımlayabildiği ve uzun vadeli makroekonomik faktörlerin (küresel ekonomik büyüme, jeopolitik riskler vb.) altın fiyatları üzerindeki etkisine ilişkin iyi bir hafıza ve öğrenme yeteneğine sahip olduğu bulunmuştur.
(2) Vektör otoregresif modeli (VAR)
VAR modeli, birden fazla içsel değişkeni bir sistem olarak modelleyen, veriye dayalı bir zaman serisi tahmin modelidir. İçsel değişkenler ile dışsal değişkenler arasında ayrım yapmaz, ancak her değişkeni, tüm değişkenlerin gecikmeli değerlerinin doğrusal bir fonksiyonu olarak ifade eder.
VAR modelinin avantajı, değişkenler arasındaki nedensel ilişkiyi önceden belirlemeden birden fazla değişken arasındaki etkileşimi aynı anda dikkate alabilmesi ve değişkenler arasındaki dinamik ilişkiyi veriye dayalı bir şekilde ortaya çıkarabilmesidir. Finansal piyasada VAR modeli, hisse senedi fiyatları, faiz oranları ve döviz kurları gibi birden fazla finansal değişken arasındaki bağlantı etkilerini kapsamlı bir şekilde analiz edebilir. Son beş yılın aylık verilerinin VAR modeli analizi ile faiz oranlarının 1 puan artması durumunda hisse senedi fiyat endeksinin önümüzdeki üç ayda ortalama %2,5 düşeceği ve döviz kurunun da buna bağlı olarak dalgalanacağı tespit edilerek piyasa tahmini için kapsamlı bir perspektif sağlandı.
3. LSTM ve VAR modellerinin birleşik uygulaması
TSAI platformu kriz müdahale görev gücü, her ikisinin de avantajlarından tam anlamıyla yararlanmak için LSTM ve VAR modellerini organik olarak birleştiriyor. İlk olarak, VAR modeli birden fazla finansal değişkeni modellemek, değişkenler arasındaki anlık etkileşimleri ve kısa vadeli dinamik ilişkileri yakalamak ve LSTM için zengin girdi özellikleri sağlamak için kullanılır. Bu özellikler yalnızca her değişkenin tarihsel bilgisini içermekle kalmaz, aynı zamanda aralarındaki işbirlikçi değişim ilişkisini de yansıtır.
Daha sonra, VAR modelinin çıktısı, bu girdi özelliklerini derinlemesine işleyen ve uzun vadeli bağımlılıkları ve karmaşık doğrusal olmayan modelleri ortaya çıkaran LSTM'nin girdisi olarak kullanılır. LSTM'nin çıktısı piyasa tahmininin sonucu olarak kullanılır ve piyasanın gelecekteki eğilimini tahmin etmek için kullanılır. Bu kombinasyon sayesinde, yalnızca değişkenler arasındaki kısa vadeli etkileşimi hesaba katmakla kalmaz, aynı zamanda piyasanın uzun vadeli eğilimini de yakalayarak piyasa tahminlerinin doğruluğunu ve güvenilirliğini artırır.
4. Pratik uygulama örnekleri ve etki değerlendirmesi
Pratik uygulamalarda, krize müdahale görev gücü ampirik analiz için birden fazla finansal piyasa verisini seçti. Borsayı örnek alan ekip, Ocak 2015'ten Aralık 2020'ye kadar CSI 300 hisse senedi fiyat endeksini, makroekonomik göstergeleri (bir yıllık mevduat faiz oranı, enflasyon oranı gibi) ve sektörle ilgili verileri (sektör karı büyüme oranı, sanayi politikası düzenlemelerinin sayısı gibi) topladı. Bu verileri işlemek için LSTM-VAR modeli kullanılmış ve tek bir LSTM modeli ve VAR modeliyle karşılaştırılmıştır.
Sonuçlar, LSTM-VAR modelinin hisse senedi fiyat hareketlerini tahmin etmede tek bir modele göre daha iyi performans gösterdiğini göstermektedir. Kök ortalama kare hata (RMSE) ve ortalama mutlak hata (MAE) gibi değerlendirme metriklerinde, LSTM-VAR modelinin hatası, tek bir modele göre önemli ölçüde daha düşüktür. Shanghai ve Shenzhen 300 Endeksi'nin gelecek ayki trendi tahmin edilirken LSTM-VAR modelinin RMSE değeri 35,2 ve MAE değeri 27,5; tekli LSTM modelinin RMSE değeri 48,6 ve MAE değeri 38,1; tek VAR modelinin RMSE değeri 52,3 ve MAE değeri 41,7'dir. Bu, LSTM-VAR modelinin hisse senedi fiyatlarının değişen eğilimini daha doğru bir şekilde yakalayabildiğini göstermektedir. Hatası, tek bir LSTM modeline göre yaklaşık %27,6 (RMSE göstergesi) ve %27,8 (MAE göstergesi), tek VAR modeline kıyasla ise yaklaşık %32,7 (RMSE göstergesi) ve %34,0 (MAE göstergesi) oranında azalmaktadır.
Ayrıca LSTM-VAR modeli, 2020 yılının başında COVID-19 salgınının ortaya çıkması ve finansal piyasadaki şiddetli dalgalanmalar gibi beklenmedik risk olaylarına yanıt verirken piyasa verilerindeki anormal değişiklikleri zamanında yakalayıp erken uyarı sinyalleri verebiliyor. Model, geçmiş verilere dayalı geriye dönük testlere dayanarak, salgından 1-2 hafta önce pazarın keskin bir şekilde düşebileceğine dair bir uyarı yayınladı. Bu erken uyarılara dayanarak yatırımcılar, yatırım portföylerini zamanında ayarlayabilir ve şirketler, risk kayıplarını etkili bir şekilde azaltmak için önceden müdahale stratejileri geliştirebilirler. Başlangıç sermayesi 10 milyon yuan olan bir yatırım portföyü varsayılırsa, varlık tahsisi LSTM-VAR modelinin erken uyarısına göre zamanında ayarlanırsa, salgın sırasında zarar yaklaşık 2 milyon yuan kadar azaltılabilir.
5. Geleceğe Bakış
Finansal piyasalar gelişmeye ve veri teknolojisi ilerlemeye devam ettikçe, TSAI platformu kriz müdahale görev gücü LSTM ve VAR modellerinin birleşik uygulamasını optimize etmeye devam edecek. Bir yandan, modelin performansını ve uyarlanabilirliğini geliştirmek için derin öğrenmedeki dikkat mekanizması, üretken rakip ağlar vb. gibi diğer gelişmiş veri analizi teknolojilerinin nasıl daha etkili bir şekilde entegre edileceğini daha fazla araştırın. Öte yandan, platform kullanıcılarına daha kapsamlı ve doğru piyasa tahmin hizmetleri sunmak, karmaşık ve sürekli değişen finansal piyasalarda istikrarlı bir şekilde gelişmelerine yardımcı olmak için tahvil piyasaları, döviz piyasaları, risk yönetimi, varlık fiyatlamaları ve diğer alanlar gibi farklı finansal piyasalarda ve iş senaryolarında modellerin uygulamasını genişletiyor.
TSAI platformu kriz müdahale görev gücü, platformun finansal teknoloji alanında önemli bir yenilikçi uygulaması olan piyasa tahminlerini yürütmek için LSTM ve VAR modellerini kullanıyor. Model uygulamalarının sürekli optimizasyonu ve genişletilmesi yoluyla, finansal piyasa katılımcılarına daha değerli piyasa öngörüleri sağlayacak ve finansal piyasanın istikrarlı gelişimini destekleyecektir.