结合机器学习和直觉模糊多准则决策的风险感知金融预测
统计金融
2025-12-23 v1 机器学习
最优化与控制
摘要
面对日益增长的金融不确定性和市场复杂性，本研究提出了一个新颖的风险感知金融预测框架，该框架将先进的机器学习技术与直觉模糊多准则决策（MCDM）相结合。该框架针对 BIST 100 指数量身定制，并通过土耳其一家主要国防公司的案例研究进行了验证，融合了结构化金融数据、非结构化文本数据和宏观经济指标，以增强预测准确性和鲁棒性。它包含一组混合模型，包括极限梯度提升（XGBoost）、长短期记忆（LSTM）网络、图神经网络（GNN），以提供具有量化不确定性的概率预测。实证结果表明了高预测准确性，净利润平均绝对百分比误差（MAPE）为3.03%，关键财务指标的95%置信区间较窄。风险感知分析表明风险回报状况良好，夏普比率为1.25，更高的索提诺比率为1.80，表明下行波动性相对较低，在市场波动下表现稳健。敏感性分析表明，关键财务指标预测对通货膨胀、利率、情绪和汇率的变化高度敏感。此外，使用直觉模糊 MCDM 方法，结合熵权法、基于平均解距离的评估（EDAS）以及根据折衷解进行备选方案排序和测量（MARCOS）方法，表格数据学习网络（TabNet）优于其他模型，并被确定为最适合部署的候选模型。总体而言，这项工作的结果强调了将先进机器学习、风险量化和模糊 MCDM 方法整合到金融预测中的重要性，尤其是在新兴市场中。
引用
@article{arxiv.2512.17936,
title = {Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making},
author = {Safiye Turgay and Serkan Erdoğan and Željko Stević and Orhan Emre Elma and Tevfik Eren and Zhiyuan Wang and Mahmut Baydaş},
journal= {arXiv preprint arXiv:2512.17936},
year = {2025}
}