Підвищення прогнозування курсу акцій на основі рекурентних нейронних мереж
DOI: 10.31673/2518-7678.2023.021313
Анотація
Стаття присвячена дослідженню застосування машинного навчання для прогнозування курсу акцій на фондових ринках у контексті зростаючих можливостей штучного інтелекту. У статті розглянуто проблематику та актуальність прогнозування курсу акцій, а також описано поточні підходи до такого прогнозування як фундаментальний та технічний аналіз. В межах технічного аналізу розглядаються широко застосовувані методи та алгоритми статистики, розпізнавання шаблонів, аналізу настроїв та машинного навчання.
Основну увагу у статті приділено перевагам використання рекурентних нейронних мереж як одному із типів штучних нейронних мереж, які працюють з послідовними даними або часовими рядами. Традиційні нейронні мережі розглядають входи та виходи даних як незалежні один від одного, в той час як рекурентні нейронні мережі враховують попередні елементи у послідовності для генерації виходу, що дає можливість кращого прогнозування цінових трендів.
Стаття описує, які основні архітектури рекурентних нейронних мереж існують на даних момент та їх особливості, зокрема двонаправлені рекурентні нейронні мережі, закритий рекурентний блок, а також довга короткочасна пам'ять. Найбільш детально розглянуто останню архітектуру – довга короткочасна пам'ять. Дана архітектура є однією з найбільш складних для навчання та налаштування, в той же час, найбільш ефективна для складних задач як прогнозування динамічного курсу акцій. Однією з її ключового переваг є вирішення проблеми затухання градієнту, тобто можливості зберігання контексту в межах якого відбувається аналіз цінових даних, що дає можливість виявляти довгострокові історичні тенденції та прогнозувати майбутні значення з високою точністю.
Ключові слова: Прогнозування, часові ряди, машинне навчання, рекурентні нейронні мережі.
Список використаної літератури:
1. Zhong, Xiao, and David Enke. 2017. Forecasting daily stock market return using dimensionality reduction. Expert Systems with Applications 67: 126–39.
2. Park, Cheol-Ho, and Scott H. Irwin. 2007. What do we know about the profitability of technical analysis? Journal of Economic Surveys 21: 786–826.
3. Arévalo, Rubén, Jorge García, Francisco Guijarro, and Alfred Peris. 2017. A dynamic trading rule based on filtered flag pattern recognition for stock market price forecasting. Expert Systems with Applications 81: 177–92.
4. Hu, Yong, Kang Liu, Xiangzhou Zhang, Lijun Su, E. W. T. Ngai, and Mei Liu. 2015. Application of evolutionary computation for rule discovery in stock algorithmic trading: A literature review. Applied Soft Computing 36: 534–51.
5. Dev Shah, Haruna Isah, Farhana Zulkernine, Stock Market Analysis: A Review and Taxonomy of Prediction Techniques, Int. J. Financial Stud. 2019, 7(2), 26
6. Fu, Tak-chung, Fu-lai Chung, Robert Luk, and Chak-man Ng. 2005. Preventing Meaningless Stock Time Series Pattern Discovery by Changing Perceptually Important Point Detection. Paper presented at the International Conference on Fuzzy Systems and Knowledge Discovery, Changsha, China, August 27–29.
7. Hiransha, M., E. A. Gopalakrishnan, Vijay Krishna Menon, and Soman Kp. 2018. NSE stock market prediction using deep-learning models. Procedia Computer Science 132: 1351–62.
8. Box, George E. P., Gwilym M. Jenkins, Gregory C. Reinsel, and Greta M. Ljung. 2015. Time Series Analysis: Forecasting and Control. Hoboken: John Wiley & Sons.
9. Velay, Marc, and Fabrice Daniel. 2018. Stock Chart Pattern recognition with Deep Learning. arXiv arXiv:1808.00418.
10. Leigh, William, Naval Modani, Russell Purvis, and Tom Roberts. 2002. Stock market trading rule discovery using technical charting heuristics. Expert Systems with Applications 23: 155–59.
11. Leigh, William, Cheryl J. Frohlich, Steven Hornik, Russell L. Purvis, and Tom L. Roberts. 2008. Trading with a Stock Chart Heuristic. IEEE Transactions on Systems, Man, and CyberneticsPart A: Systems and Humans 38: 93–104.
12. Bollen, Johan, Huina Mao, and Xiaojun Zeng. 2011. Twitter Mood Predicts the Stock Market. Journal of Computational Science 2: 1–8.
13. Bhardwaj, Aditya, Yogendra Narayan, and Maitreyee Dutta. 2015. Sentiment analysis for Indian stock market prediction using Sensex and nifty. Procedia Computer Science 70: 85–91.
14. Seng, Jia-Lang, and Hsiao-Fang Yang. 2017. The association between stock price volatility and financial news—A sentiment analysis approach. Kybernetes 46: 1341–65.
15. Shen, Shunrong, Haomiao Jiang, and Tongda Zhang. 2012. Stock Market Forecasting Using Machine Learning Algorithms. Stanford: Department of Electrical Engineering, Stanford University, pp. 1–5.
16. Ballings, Michel, Dirk Van den Poel, Nathalie Hespeels, and Ruben Gryp. 2015. Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications 42: 7046–56.
17. Machine learning. URL: https://www.ibm.com/topics/machine-learning.
18. Hochreiter, S. and Schmidhuber, J., 1997. Long short-term memory. Neural computation, 9(8), pp.1735-1780.
19. Di Persio, Luca, and Oleksandr Honchar. 2017. Recurrent Neural Networks Approach to the Financial Forecast of Google Assets. International Journal of Mathematics and Computers in simulation 11: 7–13.
