Прогнозування цін фінансових інструментів за допомогою засобів глибокого навчання
DOI:
https://doi.org/10.18372/2073-4751.76.18245Ключові слова:
прогнозування, фінансові показники, глибоке навчання, Long Short-Term Memory, Natural Language ProcessingАнотація
Робота присвячена проблемі прогнозування цін акцій на фондовому ринку, актуальності якої значно зросла у сучасному світі, будучи важливою складовою процесів ведення фінансової діяльності та прийняття обгрунтованих інвестиційних рішень. Було проведено огляд та порівняльний аналіз методик, запропонованих у існуючих дослідженнях, виділено наявні у них недоліки та недопраювання. На основі цього було запропоновано новий підхід для вирішення цієї задачі. Запропонований підхід грунтується на врахуванні комплексного набору факторів для прогнозування, включаючи технічні показники, дані фундаментального аналізу та макроекономічні фактори, використанні системного підходу для відбору предикторів (факторів) для прогнозування та включення у модель, впровадженні сучасних метожик feature engineering та feature selection, видалення шуму у вхідних даних, застосування технік NLP та аналізу настрою для інтеграції текстових даних, які впливають на ринкові тенденції, підвищуючи таким чином точність моделювання ринкових процесів. Ці засади було скомбіновано з методиками машинного та глибокого навчання, здатними враховувати часові послідовності даних та складні взаємозв’язки і залежності між ними, та побудовано нейронну модель для прогнозування цін акцій. Результати тестування моделі та отримані значення метрик точності роботи розробленої моделі показують її високу точність у порівнянні з базовою моделлю, обраною для порівняння, а також доводять ефективність використання запропонованого підходу.
Посилання
Lu W., Li J., Li Y., Sun A., Wang J. A CNN-LSTM-based model to forecast stock prices. Complexity. 2020. P.1–10.
Jarrah M., Derbali M. Predicting Saudi Stock Market Index by Using Multivariate Time Series Based on Deep Learning. Applied Sciences. 2023. V. 13(14). 8356.
Akita R., Yoshihara A., Matsubara T., Uehara K. Deep learning for stock prediction using numerical and textual information. 2016 IEEE/ACIS 15th International Conference on Computer and Information Science (ICIS) / Okayama, Japan, 2016. P. 1–6.
Drake P.P., Fabozzi F.J. The basics of finance: An introduction to financial markets, business finance, and portfolio management. John Wiley & Sons, 2010. 672 p.
Gravetter F.J., Wallnau L.B., Forzano L.A.B., Witnauer J.E. Essentials of statistics for the behavioral sciences. Cengage Learning, 2020. P. 490–512.
Gers F.A., Schraudolph N.N., Schmidhuber J. Learning precise timing with LSTM recurrent networks. Journal of machine learning research. 2002. Iss. 3. P. 115–143.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).