摘要
本研究集中于预测埃及市场的股价，特别是EGX30，这是中东地区一个重要的金融中心。尽管大多数研究集中于全球股票，但理解像埃及这样的发展中国家的股票趋势的需求日益增长。本研究比较了不同的机器学习模型，以预测EGX30的短期和长期趋势。
使用历史EGX30数据，我们评估了包括均方根误差、平均绝对百分比误差和决定系数等指标的模型，具体包括K-Nearest Neighbours（KNN）、随机森林、极端梯度提升（XGBoost）、长短期记忆网络（LSTM）和门控循环单元网络（GRU）。
研究目标是确定在考虑埃及独特市场动态的情况下，最有效的EGX30预测模型。这些研究结果将帮助投资者做出明智的决策。
结果显示，门控循环单元（GRU）在一周、一个月和两个月的预测中优于其他模型，而极端梯度提升（XGBoost）模型在一天的预测中表现最佳，突显了其在金融市场预测分析中的实用性。研究还显示了使用集成技术的重要性，尤其是在长期预测中，其结果达到GRU的5倍，尤其是在两个月的预测中。
此外，研究指出K-Nearest Neighbours（KNN）在长期预测中的意外出色表现，表明其在金融科技领域未来应用的持久相关性和潜力。
博主点评： 本文通过综合比较多种机器学习模型，为埃及股市的投资决策提供了重要参考，尤其是GRU和XGBoost的优越表现，突显了在特定市场条件下选择合适模型的重要性。这为金融科技领域的研究提供了宝贵的实践指导。