Enhanced Saudi Stock Prices Forecasting with Technical Indicators and Deep Learning Ensembles. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF _Thesis_Rana_Omar_Abdullah_Baamer.pdf Restricted to Repository staff only until 11 May 2027. Download (24MB)

Arabic Abstract

يُعد توقّع أسعار الأسهم مهمة معقدة نظرًا للطبيعة غير الخطّية والمليئة بالضوضاء والتقلبات في الأسواق المالية. تطبّق هذه الدراسة تقنيات التعلّم العميق (DL) وأساليب التجميع للتنبؤ بأسعار الأسهم على المدى القصير في السوق السعودي، باستخدام بيانات متعددة المتغيرات لعشر شركات مدرجة في مؤشر تاسي (TASI) وأفق توقّع مدته خمسة أيام. شمل إطار العمل عملية هندسة مميّزات شاملة، حيث تم استخراج 130 مؤشرًا فنّيًا واختيار 34 منها باستخدام تحليل الارتباط لبيرسون. استُخدمت هذه المؤشرات لتدريب نماذج BiRNN وGRU وLSTM ضمن إطار النوافذ المتحرّكة. تفوّق نموذجا GRU وLSTM باستمرار على النموذج المرجعي، في حين حقق BiRNN نتائج تنافسية مع استخدام عدد أقل من الوحدات. اُستخدمت استراتيجيتان للتجميع، هما المتوسط (Averaging) والتكديس (Stacking)، لتعزيز الأداء التنبؤي. حققت نماذج التكديس أعلى دقّة، بينما حصلت نماذج المتوسط على مراتب أعلى في اختبارات الدلالة الإحصائية لويلكوكسون. تفوقت الطريقتان على النماذج الفردية وخط الأساس والنموذج المرجعي، مما يدل على موثوقيتهما في تقديم تنبؤات دقيقة. كما تطلبت النماذج التجميعية، وخاصة التكديس، أزمنة تنفيذ أطول، مما يعكس مفاضلة واضحة بين الدقة والوقت. تم تطبيق الإطار المقترح بنجاح على السوق الأمريكي، مما أكد متانته في سياقات مختلفة. تؤكد النتائج فعالية التعلّم العميق التجميعي، وخاصة التكديس، في تحسين دقّة التنبؤ بأسعار الأسهم. كما ينبغي مراعاة القيود الحاسوبية عند اختيار النموذج، حيث يناسب كل من نماذج GRU أو المتوسط البيئات التي تتطلب الكفاءة، بينما يُعد التكديس الخيار الأمثل للتطبيقات التي تركز على الدقة.

English Abstract

Forecasting stock prices is a complex task due to the non-linear, noisy, and volatile nature of financial markets. This study applies deep learning and ensemble techniques to short-term stock price forecasting in the Saudi stock market, using multivariate data from ten TASI-listed companies and a five-day forecasting horizon. A comprehensive feature engineering process extracted 130 technical indicators, from which 34 were selected using Pearson correlation. These features were used to train BiRNN, GRU, and LSTM models within a rolling window framework. GRU and LSTM consistently outperformed the benchmark, while BiRNN achieved competitive results using fewer units. Two ensemble strategies, averaging and stacking, were employed to enhance predictive performance. Stacking achieved the highest accuracy, while averaging ranked higher in Wilcoxon significance tests. Both ensembles outperformed standalone models, the baseline, and the benchmark, demonstrating their reliability for accurate forecasting. Ensemble models, especially stacking, required longer execution times, highlighting a trade-off between accuracy and runtime. The framework was successfully applied to the U.S. market, confirming its robustness across contexts. Overall, ensemble deep learning particularly stacking proved effective for improving forecasting accuracy. Model choice should consider computational constraints, with averaging or GRU suited for efficiency and stacking best for accuracy-focused applications.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Hamoud Aljamaan,
Thesis Committee Members:	Moataz Ahmed, Irfan Ahmad,
Depositing User:	RANA BAAMER (g202008320)
Date Deposited:	14 May 2026 06:18
Last Modified:	14 May 2026 06:18
URI:	https://eprints.kfupm.edu.sa/id/eprint/144225