مدل یادگیری عمیق برای پیش‌بینی داده‌های OHLCV سهام: چارچوب طراحی سیستمی

مسئله واقعی: چرا مدل‌های یادگیری عمیق روی OHLCV اغلب شکست می‌خورند

اکثر تیم‌هایی که سراغ پیش‌بینی قیمت سهام با یادگیری عمیق می‌روند، از یک سؤال اشتباه شروع می‌کنند: «کدام مدل دقت بالاتری دارد؟» این سؤال غلط است.

سؤال درست این است: «این سیستم چه تصمیمی را در دنیای واقعی تغییر می‌دهد، و آن تصمیم چقدر هزینه اشتباه دارد؟» بدون پاسخ به این سؤال، هر مدلی که بسازید، فقط یک آزمایش آماری زیباست، نه یک سیستم عملیاتی.

داده‌های OHLCV (Open, High, Low, Close, Volume) به ظاهر ساده‌اند. پنج عدد در هر بازه زمانی. اما این سادگی ظاهری، دامی است که بیشتر پروژه‌ها را می‌بلعد.

چرا این موضوع اهمیت دارد

بازار سهام یک سیستم غیرایستا (non-stationary) است. توزیع آماری داده امروز، فردا همان توزیع نیست. این یک محدودیت بنیادی است، نه یک باگ قابل رفع با معماری بهتر.

با این حال، شرکت‌ها و صندوق‌های کوچک همچنان میلیون‌ها دلار روی مدل‌های یادگیری عمیق برای پیش‌بینی قیمت سرمایه‌گذاری می‌کنند. چرا؟ چون وقتی این سیستم درست طراحی شود، حتی یک بهبود کوچک در دقت جهت‌گیری (directional accuracy) می‌تواند مزیت رقابتی واقعی ایجاد کند.

یک تحقیق مقایسه‌ای روی مدل ترکیبی LSTM-Transformer نشان داد که با طراحی درست، دقت جهت‌گیری از حدود ۶۰٫۶۶٪ به ۶۵٫۵۷٪ بهبود یافت و خطای مطلق میانگین (MAE) به‌شدت کاهش پیدا کرد. این عدد کوچک به نظر می‌رسد، اما در مقیاس معاملاتی، همین چند درصد جهت‌گیری درست، تفاوت بین سودآوری و زیان مستمر است.

[1]

سیستم‌نگری: یک معمار چطور به این مسئله نگاه می‌کند

تمایز بین «پیش‌بینی قیمت» و «پیش‌بینی سیگنال»

بیشتر مقاله‌های آموزشی، مستقیماً قیمت بسته‌شدن (Close) را پیش‌بینی می‌کنند. این اشتباه معماری شماره یک است.

یک سیستم درست، بازده لگاریتمی (log return) یا جهت حرکت را پیش‌بینی می‌کند، نه سطح مطلق قیمت. چرا؟ چون قیمت مطلق روند دارد و مدل به‌جای یادگیری الگو، فقط ادامه‌دهنده روند اخیر می‌شود؛ این پدیده در ادبیات به «lag prediction» یا پیش‌بینی با تأخیر شناخته می‌شود.

در همان تحقیق مقایسه‌ای، معماری بر اساس رگرسیون بازده لگاریتمی روز بعد طراحی شده بود، نه پیش‌بینی مستقیم قیمت؛ همین انتخاب معماری، دلیل اصلی بهبود چشمگیر متریک‌ها بود.

[1]

چارچوب انتخاب معماری: LSTM در برابر Transformer

این دو خط ذهنی معمولاً به‌اشتباه به‌عنوان «قدیم در برابر جدید» معرفی می‌شوند. واقعیت پیچیده‌تر است.

در یک مطالعه مقایسه‌ای مستقیم روی داده‌های OHLCV چنددهه‌ای، LSTM با MAE برابر ۷٫۹۹ و R² برابر ۰٫۹۹۴ عملکرد بسیار پایدارتری نسبت به Transformer خام با MAE برابر ۲۴٫۸۲ داشت، به‌خصوص در دوره‌های نوسان بالا. این یافته نشان می‌دهد Transformer‌ها راه‌حل «plug-and-play» برای بازارهای مالی نیستند.

[2]

مدل‌های هیبریدی مثل Temporal Fusion Transformer (TFT) این شکاف را پر می‌کنند، چون هم قابلیت مدل‌سازی attention روی متغیرهای متعدد را دارند و هم مکانیزم‌های gating برای کنترل نویز. یک بنچمارک مستقیم، TFT را در پیش‌بینی ۱۰ روزه قیمت سهام به‌طور مستمر برتر از N-BEATS نشان داد، به‌خصوص در شرایط پرنوسان.

[3]

لایه‌ای که کمتر دیده می‌شود: مهندسی ویژگی و کنترل نشت داده

هر مدلی، هرقدر هم پیچیده، روی داده بد شکست می‌خورد. نشت داده (data leakage) رایج‌ترین دلیل شکست پروژه‌های واقعی است، نه انتخاب معماری.

تقسیم داده باید ترتیبی و زمانی (chronological split) باشد، نه تصادفی؛ در غیر این صورت مدل به داده آینده در فاز آموزش دسترسی پیدا می‌کند و روی داده تست بیش از حد خوب عمل می‌کند. این یکی از آن اشتباه‌هایی است که در دموی داخلی خوب به نظر می‌رسد و در عملیات واقعی فرو می‌ریزد.

[2]

لنگر عملی: چطور یک سیستم واقعی این را پیاده می‌کند

فرض کنید یک تیم کوانت می‌خواهد سیگنال جهت روزانه برای یک سهم بسازد. داده ورودی: OHLCV روزانه از ۲۰۲۱ تا ۲۰۲۳، هدف: پیش‌بینی بازده لگاریتمی روز بعد، معماری: هیبرید LSTM-Transformer با پنجره نگاه به گذشته ۶۰ روزه.

در ارزیابی روی داده سه‌ماهه ابتدای ۲۰۲۴، مدل هیبریدی MAE را از ۱۰٫۴۳ به ۱٫۵۸ کاهش داد و دقت جهت‌گیری را به ۶۵٫۵۷٪ رساند. اما نکته مهم‌تر این بود: تحلیل باقیمانده‌ها (residual diagnostics) نشان داد توزیع خطا دنباله سنگین (heavy tail) دارد و جهش‌های رویدادمحور، همچنان قابل پیش‌بینی از روی داده پایان روز نیستند.

[1]

این یعنی حتی بهترین مدل، یک محدودیت ساختاری دارد: هیچ مدل OHLCV نمی‌تواند رویدادهای خبری یا شوک‌های ناگهانی را پیش‌بینی کند، چون این اطلاعات اصلاً در داده قیمتی گذشته وجود ندارد.

چیزی که اکثر افراد اشتباه می‌گیرند

• پیش‌بینی سطح قیمت به‌جای بازده یا جهت حرکت
• تقسیم تصادفی داده به‌جای تقسیم زمانی، که باعث نشت داده می‌شود
• ارزیابی مدل فقط با MAE/RMSE بدون سنجش دقت جهت‌گیری یا معیارهای ریسک
• نادیده گرفتن دنباله‌های سنگین توزیع خطا و رویدادهای غیرقابل پیش‌بینی
• انتخاب Transformer فقط چون «جدیدتر» است، بدون سنجش پایداری در نوسان بالا

حالت‌های شکست رایج در عملیات واقعی

overfitting به رژیم بازار خاص

مدلی که روی داده یک دوره خاص (مثلاً بازار صعودی ۲۰۲۱-۲۰۲۳) آموزش دیده، در تغییر رژیم بازار عملکردش فرو می‌ریزد. این محدودیت ساختاری غیرایستایی است، نه ضعف مدل.

سنجش عملکرد جدا از واقعیت عملیاتی

یک مدل با R² بالا در بک‌تست، ممکن است در اجرای زنده به دلیل لغزش قیمت (slippage)، هزینه معاملات، و تأخیر داده، عملکرد کاملاً متفاوتی داشته باشد.

محدودیت‌ها و تبادل‌ها (Trade-offs)

مدل‌های پیچیده‌تر مثل TFT قابلیت تفسیرپذیری بیشتری دارند اما هزینه محاسباتی و پیچیدگی نگهداری بالاتری هم دارند. LSTM ساده‌تر است و سریع‌تر آموزش می‌بیند، اما در گرفتن وابستگی‌های بلندبرد ضعیف‌تر عمل می‌کند.

تصمیم درست به مقیاس، بودجه محاسباتی، و افق زمانی سیگنال بستگی دارد؛ نه به اینکه کدام مدل در مقاله جدیدتر به نظر می‌رسد.

جمع‌بندی کلیدی

• OHLCV داده کافی برای پیش‌بینی دقیق قیمت نیست؛ فقط برای سیگنال‌های احتمالاتی محدود کافی است
• پیش‌بینی بازده لگاریتمی بهتر از پیش‌بینی سطح قیمت عمل می‌کند
• تقسیم زمانی داده، پیش‌شرط جلوگیری از نشت داده است
• LSTM در نوسان بالا مقاوم‌تر است؛ Transformer در الگوهای پایدار بلندبرد قوی‌تر است
• مدل‌های هیبریدی (LSTM-Transformer یا TFT) معمولاً بهترین تعادل بین دقت و پایداری را می‌دهند

پرسش‌های متداول

آیا یادگیری عمیق می‌تواند قیمت سهام را با دقت بالا پیش‌بینی کند؟

نه به‌طور مطلق. بازار سهام غیرایستا و تحت تأثیر رویدادهای غیرقابل پیش‌بینی از داده قیمتی است. یادگیری عمیق می‌تواند دقت جهت‌گیری را بهبود دهد، نه قیمت دقیق را پیش‌بینی کند.

کدام معماری برای داده OHLCV بهتر است، LSTM یا Transformer؟

LSTM معمولاً در دوره‌های پرنوسان مقاوم‌تر است، در حالی که Transformer در الگوهای بلندبرد پایدار قوی‌تر عمل می‌کند. مدل‌های هیبریدی اغلب هر دو مزیت را ترکیب می‌کنند.

[2][1]

چرا نشت داده (data leakage) در پیش‌بینی مالی خطرناک‌تر از سایر حوزه‌هاست؟

چون ماهیت زمانی داده مالی به‌راحتی قابل شکستن با تقسیم تصادفی است و نتایج بک‌تست به‌شدت گمراه‌کننده می‌شوند در حالی که در اجرای زنده کاملاً فرو می‌ریزند.

چرا اکثر مدل‌های پیش‌بینی سهام در عمل شکست می‌خورند؟

ترکیبی از پیش‌بینی سطح قیمت به‌جای بازده، نشت داده، و نادیده گرفتن هزینه‌های اجرایی واقعی مثل لغزش قیمت و تأخیر.

سخن پایانی

مدلی که قیمت را پیش‌بینی نمی‌کند، بلکه محدودیت‌های خودش را می‌شناسد، ارزشمندتر از مدلی است که ادعای پیش‌بینی دقیق دارد.

سیستم خوب، سیستمی نیست که هرگز اشتباه نمی‌کند؛ سیستمی است که می‌دانید کِی و چقدر اشتباه می‌کند.