Navigating the Stock Market: The Role of State-of-the-Art Deep Learning Techniques

Objectives

Certainty in investment decisions are the main tools for evaluation of stock markets. Every investor will have to identify the future stock prices before developing investment strategy so that their returns will be boosted. Due to the nonlinear, complicated, volatile, and dynamic character of stock data, forecasting stock prices is challenging. This study aims to address these challenges and improve prediction accuracy through advanced modelling techniques.

Methodology

We proposed a hybrid neural network that combines Bidirectional Gated Recurrent Units (BiGRU) with one-dimensional Convolutional Neural Networks (CNNs). Experiments were conducted on five stock price datasets, including three individual stock items and two performance indices of stock markets. The evaluation metrics included Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE).

Findings

The proposed hybrid model achieved the lowest MAE for individual datasets, ranging from 1.747 to 0.357. Additionally, our experiments demonstrated a 42–91% reduction in RMSE compared to standard CNN and GRU-based approaches, reflecting significantly improved prediction precision.

Implications

The results indicate that the hybrid Bidirectional GRU and CNN model is effective for precise stock price prediction, offering enhanced reliability for investment decision-making. This model can support investors and analysts in navigating the complexities of the stock market.

Conclusions

The hybrid Bidirectional GRU and CNN model demonstrates superior performance in stock price prediction compared to traditional methods. It holds promise for advancing predictive analytics in financial markets, contributing to better investment strategies and reduced market risks.

الأهداف

تُعد الثقة في اتخاذ قرارات الاستثمار من الأدوات الرئيسية لتقييم أسواق الأسهم. يتوجب على كل مستثمر تحديد أسعار الأسهم المستقبلية قبل تطوير استراتيجيات الاستثمار لتعزيز عائداتهم. ومع ذلك، فإن الطبيعة غير الخطية والمعقدة والمتقلبة والديناميكية لبيانات الأسهم تجعل من التنبؤ بأسعار الأسهم مهمة صعبة. تهدف هذه الدراسة إلى مواجهة هذه التحديات وتحسين دقة التنبؤ باستخدام تقنيات النمذجة المتقدمة.

المنهجية

اقترحنا نموذجًا هجينًا للشبكات العصبية يدمج بين وحدات التكرار المغلقة ثنائية الاتجاه (BiGRU) والشبكات العصبية الالتفافية أحادية البعد (CNNs). تم إجراء تجارب على خمس مجموعات بيانات لأسعار الأسهم، تضمنت ثلاث أدوات أسهم فردية ومؤشرين للأداء في أسواق الأسهم. شملت معايير التقييم متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE).

النتائج

حقق النموذج الهجين المقترح أدنى قيم للـ MAE لمجموعات البيانات الفردية، حيث تراوحت بين 0.357 و1.747. كما أظهرت التجارب انخفاضًا يتراوح بين 42% و91% في قيم RMSE مقارنةً بالأساليب القياسية المعتمدة على CNN وGRU، مما يعكس تحسنًا كبيرًا في دقة التنبؤ.

الأبعاد

تشير النتائج إلى أن النموذج الهجين القائم على وحدات BiGRU والشبكات العصبية الالتفافية يعد فعالًا في التنبؤ الدقيق بأسعار الأسهم، مما يوفر موثوقية محسّنة لاتخاذ قرارات الاستثمار. يمكن لهذا النموذج دعم المستثمرين والمحللين في مواجهة تعقيدات سوق الأسهم.

الاستنتاجات

يثبت النموذج الهجين المعتمد على BiGRU والشبكات العصبية الالتفافية تفوقه في التنبؤ بأسعار الأسهم مقارنة بالأساليب التقليدية. يمثل هذا النموذج أداة واعدة لتعزيز التحليلات التنبؤية في الأسواق المالية، مما يساهم في تحسين استراتيجيات الاستثمار وتقليل المخاطر السوقية.

Other Information

Published in: Al-Balqa Journal for Research and Studies
License: https://creativecommons.org/licenses/by/4.0
See article on publisher's website: https://doi.org/10.35875/vvf5k957