Применение сети долгой краткосрочной памяти для прогнозирования цен акций в условиях неопределенности
DOI:
https://doi.org/10.52575/2687-0932-2023-50-3-669-680Ключевые слова:
машинное обучение, глубокое обучение, искусственная нейронная сеть, прогнозирование финансовых временных рядов, биржевая торговляАннотация
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
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: 168
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2023 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
