Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making
创建于 更新于
摘要
本文提出一个面向BIST 100的风险感知金融预测框架，融合结构化财报、文本情感与宏观指标，采用XGBoost、LSTM、GNN、BNN与TabNet等模型并给出概率性预测与置信区间，案例中XGBoost对净利润的MAPE为3.03%，最佳模型TabNet进一步降至2.91%，并结合直觉模糊Entropy-EDAS-MARCOS对模型进行群体决策排序，显示TabNet>BNN>DRL>Transformer>GNN的次序；风险调整指标显示Sharpe＝1.25、Sortino＝1.80，敏感性分析表明通胀、利率、情绪与汇率为关键驱动因子 [page::0]
