Значение моделей искусственных нейронных сетей в прогнозировании фондового рынка

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Значение моделей искусственных нейронных сетей в прогнозировании фондового рынка

Садыков А.М.

Аннотация

Ключевые слова: нейронные сети, машинное обучение, прогнозирование, модели прогнозирования, интеллектуальный анализ, нейрон, графические индексы, фондовый рынок, финансы.

Annotation

Key words: neural networks, machine learning, forecasting, forecasting models, intelligent analysis, neuron, graphical indexes, stock market, finance.

В первой части этой работы мы обсудим общие понятия и принципы работы нейронных сетей, а далее поподробнее остановимся на прогнозировании нейронных сетей в области фондового рынка.

Прогнозирующие нейронные сети -- это сложные системы для интеллектуального анализа данных, которые имитируют различные функции человеческого мозга по обнаружению закономерностей в наборах данных. Эти математические модели могут обнаруживать самые тонкие и сложные взаимосвязи между входными данными и всевозможными переменными. Такие типы прогнозного моделирования используются в энергетике и коммунальных услугах, здравоохранении, фармацевтике, страховании, финансах и банковском деле, производстве потребительских товаров, транспортной логистике и других областях.

Прогнозирующие нейронные сети концептуально представляют собой сложную сеть связанных узлов, которые «изучают» структуру входных данных. Первоначально они анализируют исторические данные, чтобы определить, как прогнозировать известные выходные значения с использованием заданных переменных-предикторов. После этой фазы обучения нейронная сеть переходит к фазе тестирования, используя новые данные, чтобы убедиться, что она обладает адекватной предсказательной силой при столкновении с ранее невидимой информацией. Как только сеть достигла достаточно малой ошибки предсказания, она готова достаточно точно предсказать будущее на основе того, что она «узнала».

В общем виде в структуре алгоритма нейронной сети есть три уровня:

* Входной слой: он вводит прошлые значения данных в следующий слой.

* Скрытый слой: это ключевой компонент нейронной сети. Он состоит из сложных функций, которые создают предикторы. Набор узлов в скрытом слое, называемом нейронами, представляет собой математические функции, которые изменяют входные данные.

* Выходной слой: здесь прогнозы, сделанные в скрытом слое, собираются для создания конечного слоя, который является прогнозом модели.

В нейронной сети каждый нейрон принимает во внимание набор входных значений. Каждый из них связан с «весом», который представляет собой числовое значение, которое можно получить с помощью контролируемого или неконтролируемого обучения, и значение, называемое «смещение». Сеть выбирает из ответа, выдаваемого нейроном, на основе его веса и смещения. Нейрон берет значения входных параметров, суммирует их в соответствии с присвоенными весами и добавляет смещение. Применяя передаточную функцию, можно определить значение выходов.

Прогнозирование фондового рынка считается самой сложной задачей для аналитиков. За последние 2 года Covid-19 серьезно повлиял на фондовые рынки во всем мире, что, в свою очередь, создало большую проблему для инвесторов. Основная цель этого исследования -- определить возможность и значение моделей машинного обучения для эффективного прогнозирования цен на фондовые индексы. Предлагаемые модели машинного обучения представляют собой авторегрессионную глубокую нейронную сеть и авторегрессионный случайный лес, которые являются одними из лучших прогностических моделей для прогнозирования цен фондовых индексов как на весь период, так и на промежуточный период Covid-19. В условиях высоких колебаний цен акций по сравнению с традиционными моделями прогнозирования временных рядов эти модели показывают себя гораздо более стабильными.

Авторегрессионная глубокая нейронная сеть используется, когда количество наблюдений велико, а модель авторегрессионного случайного леса предлагается для ряда с небольшим количеством наблюдений.

За последние два десятилетия предсказание фондового рынка привлекло к себе должное внимание исследователей в области прогнозирования временных рядов, в результате в этой области появилось множество исследований. Поскольку цены на фондовом рынке могут демонстрировать и случайное блуждание, наиболее сложной задачей считается прогнозирование величины и направления изменений цен на акции. Инвесторы в свою очередь всегда требуют точного прогнозирования фондового рынка, поскольку правильный прогноз цен на акции в конечном итоге помогает им принимать обоснованные решения в своих дальнейших инвестиционных планах.

Литература по эмпирическим финансам содержит множество исследований, предлагающих различные способы прогнозирования фондового рынка. Наиболее широко используемым статистическим методом является авторегрессионное интегрированное скользящее среднее (ARIMA), которое используется в нескольких исследованиях для прогнозирования тенденций изменения цен на акции. Так, например, модель ARIMA использовали для прогнозирования изменения доходности индексов S&P BSE IT и S&P BSE Sensex Бомбейской фондовой биржи и обнаружили, что модель ARIMA способна прогнозировать долгосрочные или среднесрочные горизонты путем использования исторических наблюдений. Аналогичным образом, используя модель ARIMA, были спрогнозированы цены на акции Нигерийской фондовой биржи и Нью-Йоркской фондовой биржи, после чего ученые пришли к выводу, что модель ARIMA обладает высокой предсказуемостью для краткосрочного прогнозирования. Именно в следствии этого ее и предложили, как лучшую модель для прогнозирования фондового рынка. Однако позже, с развитием области машинного обучения, исследования начали показывать, что гибридные модели машинного обучения могут стать многообещающей альтернативой традиционным линейным методам, научное сообщество начало разрабатывать различные интеллектуальные и более передовые модели машинного обучения для предсказания фондового рынка, чтобы получить гораздо более прогнозируемые стабильные результаты, в качестве таких инструментов стали метод опорных векторов (SVM), генетический алгоритм и нейронные сети (NN).

В настоящее время в литературе доказано, что ни одна модель или метод не подходят для использования во всех типах ситуаций. Скорее, более целесообразно комбинировать разные отдельные модели для достижения лучших результатов, поскольку гибридизация разных моделей снижает частоту ошибок прогнозирования.

С развитием информационных технологий для получения более интуитивно понятных тенденций изменения цен на акции графические индикаторы стали важными индикаторами количественной оценки фондового рынка, а графические индикаторы, такие как диаграммы разделения времени и средние линии и K-линии, были введены для дополнительной оценки динамики цен на акции. Скользящие средние помогают трейдерам определять существующие и будущие тренды, а также обнаруживать чрезмерные задержки в трендах, которые вот-вот развернутся. K-диаграммы интуитивно отображают тенденции цен на акции с помощью шаблонов, цветов, форм и других элементов. Поэтому в качестве важного инструмента, помогающего инвесторам в принятии решений, графики К-линий стали наиболее широко используемыми подходами. Многие исследователи использовали K- диаграммы в своих исследованиях, и в основном они применяли сходство временных рядов среди K-линий и выявляли закономерности для прогнозирования тенденций цен на акции. В качестве инструмента прогнозирования графические индикаторы привлекают все большее и большее внимание. Вопрос как эффективнее интегрировать графические индикаторы с традиционными индикаторами данных, также находится в центре внимания исследований.

Фондовый рынок представляет собой сложную динамическую систему, и многомерные наборы данных являются основой для изучения волатильности акций. Данные из прошлых исследований включали в себя по большей части только торговые данные и текстовые данные новостей, в настоящее же время для современных исследований и прогнозирования эти данные составляют лишь часть данных, используемых для графических индикаторов. Поэтому сегодня необходимо изучать разнородные данные из нескольких источников, включающие методы количественной оценки, разнородные характеристики индексов фондового рынка, многомасштабные проблемы транзакционных данных, финансовые характеристики графических индексов, а также классические традиционные количественные методы добычи новостных данных. Чтобы преодолеть ограничения исследования, упомянутые ранее, сегодня предлагаются различные методы искусственных нейронных сетей, в частности нейронной сети слияния графов, использующей разнородные данные из нескольких источников для прогнозирования фондового рынка. Этот метод сочетает в себе характеристики данных индекса оценки акций, вводит измерение отношения для индексов данных, предлагает метод встраивания на основе данных графа и строит данные подграфа соответствующих данным индекса. Операции свертки и слияния графов выполняются на подграфе для извлечения семантической информации через веса ребер и направление передачи информации о ребрах в данных подграфа, и, наконец, прогнозирование тренда фондового рынка завершается с использованием классификации объединенного графа. Согласно экспериментальным результатам с точки зрения временной сложности и точности, предложенный метод позволяет гораздо лучше и точнее прогнозировать тенденции акций за счет интеграции с графическими индексами, торговыми данными и новостями фондового рынка. Этот метод, как и методы нейронных сетей в целом, гораздо более совершеннее и эффективнее, чем классические методы анализа данных из одного источника или обычного традиционного метода слияния разнородных данных.

Использованные источники

1. Галушкин А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: ГЛТ, 2010. - 496 с.

2. Усков А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. / А.А. Усков, А.В. Кузьмин. - М.: Горячая линия -Телеком, 2004. - 143 с.

3. Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: Ленанд, 2019. - 232 с.

4. Гелиг А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие: моногр. / А.Х. Гелиг, А.С. Матвеев. - М.: Издательство СПбГУ, 2014. - 224 с.

5. Михайленко М.Н. Рынок ценных бумаг: учебник и практикум для академического бакалавриата / М. Н. Михайленко. -- 2-е изд., перераб. и доп. - М.: Издательство Юрайт, 2019. - 326 с.

6. Анесянц Г.В. Основы функционирования рынка ценных бумаг / Г.В. Анесянц. - М.: ЭБТ-Контур, 2020. - 368 с.

7. Чеботарев Ю. Торговые роботы на российском фондовом рынке / Ю. Чеботарев. - М.: SmartBook, 2021. - 160 с.

8. Остроух А.В. Проектирование информационных систем / А.В. Остроух. -Издательство: Лань, 2019. - 164 с.

Размещено на Allbest.ru