Применение сети долгой краткосрочной памяти для прогнозирования цен акций в условиях неопределенности

Авторы

  • Максим Витальевич Бушуев Волгоградский государственный технический университет
  • Марат Шамильевич Беришев Волгоградский государственный технический университет
  • Елена Дмитриевна Беришева Волгоградский государственный технический университет
  • Евгений Иванович Востриков Волгоградский государственный технический университет

DOI:

https://doi.org/10.52575/2687-0932-2023-50-3-669-680

Ключевые слова:

машинное обучение, глубокое обучение, искусственная нейронная сеть, прогнозирование финансовых временных рядов, биржевая торговля

Аннотация

Прогнозирование цен акций различных компаний является одной из важнейших и сложных задач в финансовой экономике. Чем выше точность прогнозирования, тем больше прибыли может получить инвестор с торговли акциями. В настоящее время существует множество моделей прогнозирования, как статистических, так и с использованием машинного обучения. Однако у всех этих моделей есть один большой недостаток – они не способны учитывать последовательность данных при прогнозировании, что значительно снижает точность предсказания. Для решения данной проблемы было предложено применение модели глубокого обучения – рекуррентной нейронной сети долгой краткосрочной памяти. Данная модель способна учитывать хронологию данных, а также работать с большим количеством исторических данных. Целью данного исследования является анализ и разработка нейронной сети долгой краткосрочной памяти для прогнозирования котировок акций. Для анализа предложенной модели прогнозирования были проведены эксперименты по оценке точности прогнозов, выдаваемых разработанной нейронной сетью. В результате проведенных экспериментов было выявлено, что нейронная сеть долгой краткосрочной памяти по результатам прогнозирования превосходит довольно популярную статистическую модель SARIMAX.  Разработанная модель может быть полезна для инвесторов в качестве дополнительного эффективного инструмента прогнозирования котировок акций.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Максим Витальевич Бушуев, Волгоградский государственный технический университет

магистрант кафедры «Программное обеспечение автоматизированных систем», Волгоградский государственный технический университет, г. Волгоград, Россия

Марат Шамильевич Беришев, Волгоградский государственный технический университет

аспирант кафедры «Энергоснабжение и теплотехника», Волгоградский государственный технический университет, г. Волгоград, Россия

Елена Дмитриевна Беришева, Волгоградский государственный технический университет

старший преподаватель кафедры «Программное обеспечение автоматизированных систем», Волгоградский государственный технический университет, г. Волгоград, Россия

Евгений Иванович Востриков, Волгоградский государственный технический университет

магистрант кафедры «Программное обеспечение автоматизированных систем», Волгоградский государственный технический университет, г. Волгоград, Россия

Библиографические ссылки

Губарева Е.А. 2020. Нейронные сети в анализе временных рядов. Инновации и инвестиции, 10: 150-153.

Губарева Е.А., Хашин С.И. 2021. Вопросы эффективности обучения нейронных сетей при анализе временных рядов. Экономика: вчера, сегодня, завтра. 9(1): 121-127.

Имамзазин Т. Р. 2019. Основные методы и модели прогнозирования будущего курса акций. Наука, Техника и Образование, 10(63): 63-67.

Нестерова К.И. 2020. Обзор современных методов прогнозирования динамики цен на фондовом рынке. Наукосфера, 7: 91-95.

Обрубов М.О. 2021. Применение LSTM-сети в решении задачи прогнозирования многомерных временных рядов. Национальная Ассоциация Ученых, 68(2): 43-48.

Передриенко А.И., Лютая Т.П., Харитонов И.М., Степанченко И.В. 2020. Методы краткосрочного прогнозирования финансовых временных рядов с малыми объёмами выборки. ИВД, 5: 65.

Сунчалин А.М. 2020. Обзор методов и моделей прогнозирования финансовых временных рядов. Хроноэкономика, 1: 25-29.

Тимофеев А.Г., Лебединская О.Г. 2022. Модель применения сверточной нейронной сети (cnn) в сочетании с долговременной памятью (lstm) прогнозирования цены на нефть в условиях неопределенности. ТДР, 2: 35-44.

Хоботов В.А. 2021. Анализ тональности финансовых новостей с применением нейросетевых моделей для прогноза динамики цен на нефть марки Brent. Актуальные вопросы современной экономики, 2: 138-143.

Balcl M. A. 2020. Fractional Interaction of Financial Agents in a Stock Market Network. Applied Mathematics and Nonlinear Sciences, 5(1): 317-336. DOI: 10.2478/amns.2020.1.00030

Cui X., Hu J., Wu P. 2021. Investigation of stock price network based on time series analysis and complex network. International Journal of Modern Physics B. DOI: 10.1142/S021797922150171X

Guo W., Li Z., Gao C., Yang Y. 2022. Stock price forecasting based on improved time convolution network. Computational Intelligence. DOI: 10.1111/coin.12519

Khoojine A. S., Han D. 2020. Stock price network autoregressive model with application to stock market turbulence. The European Physical Journal B - Condensed Matter and Complex Systems, 93(7): 133. DOI: 10.1140/epjb/e2020-100419-9

Liu G., Ma.W. 2022. A quantum artificial neural network for stock closing price prediction. Information Sciences, 598: 75-85. DOI: 10.1016/j.ins.2022.03.064

Mezghani T., Ben Hamadou F., Boujelbène Abbes M. 2021. The dynamic network connectedness and hedging strategies across stock markets and commodities: COVID-19 pandemic effect. Asia-Pacific Journal of Business Administration. DOI: 10.1108/APJBA-01-2021-0036

Nayak S.C., Misra B.B. 2018. Estimating stock closing indices using a GA-weighted condensed polynomial neural network. Financial Innovation, 4(1): 21. DOI: 10.1186/s40854-018-0104-2

Nor S.M., Zawawi N.H.M. 2020. A neural network approach for fundamental investment analysis: a case of Athens Stock Exchange. Economic Annals-ХХI, 182(4): 56-63. DOI: 10.21003/ea.V182-07

Tao Z., Chunhui L., Muzhou H. 2018. Forecasting stock index with multi-objective optimization model based on optimized neural network architecture avoiding overfitting. Computer Science and Information Systems, 15(1): 211-236. DOI: 10.2298/CSIS170125042T

Yamin S., Gulzar S. 2020. Multiples and stock price, new approach for relative valuation through neural network. Singapore Economic Review. DOI: 10.1142/S0217590820480045

Yan Z., Zhou K., Zhu. X, Chen H. 2022. Application of MEA-LSTM Neural Network in Stock Balance Prediction. Lecture Notes on Data Engineering and Communications Technologies, 121: 60-71. DOI: DOI 10.1007/978-3-030-97057-4_6


Просмотров аннотации: 159

Поделиться

Опубликован

2023-09-30

Как цитировать

Бушуев, М. В., Беришев, М. Ш., Беришева, Е. Д., & Востриков, Е. И. (2023). Применение сети долгой краткосрочной памяти для прогнозирования цен акций в условиях неопределенности. Экономика. Информатика, 50(3), 669-680. https://doi.org/10.52575/2687-0932-2023-50-3-669-680

Выпуск

Раздел

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ

Наиболее читаемые статьи этого автора (авторов)