Журнал «Continuum. Математика. Информатика. Образование»
Выпуск №2 (22) (2021)
УДК 004.43+ 330.4
DOI 10.24888/2500-1957-2021-2-62-68
ПРОГНОЗИРОВАНИЕ РЫНКА ПРОИЗВОДНЫХ ФИНАНСОВЫХ ИНСТРУМЕНТОВ НА ОСНОВЕ РЕКУРЕНТНОЙ НЕЙРОННОЙ СЕТИ
Вопросы прогнозирования динамики цен на бирже и внебиржевом рынке всегда было сложной задачей для многих исследователей и аналитиков. Успешное инвестирование во многом определяется знанием будущей ситуации на финансовом рынке. В статье рассматривается возможность прогнозирования стоимости производных финансовых инструментов при помощи глубокого обучения нейронных сетей, реализованных посредством языка программирования Python. В качестве архитектуры нейронных сетей была выбрана рекуррентная сеть с ячейкой долговременной краткосрочной памяти LSTM, являющейся одной из самых мощных моделей прогноза. LSTM представляет собой ячейку памяти, вычислительную единицу, которая заменяет традиционные искусственные нейроны в скрытом слое сети. Способность эффективно связывать память и вводить удаленные данные с помощью этих ячеек памяти сети обеспечивает динамическое понимание структуры данных с течением времени. Полученные в результате компьютерных экспериментов оценки точности прогноза на стоимостные показатели производного финансового инструмента показали высокую эффективность построенной модели нейронной сети.
FORECASTING THE DERIVATIVES MARKET BASED ON A RECURRENT NEURAL NETWORK
Predicting the dynamics of prices on the stock exchange and the OTC market has always been a difficult task for many researchers and analysts. Successful investment is largely determined by the knowledge of the future situation in the financial market. The article considers the possibility of predicting the value of derivative financial instruments using deep learning of neural networks implemented applying the Python programming language. A recurrent network with a long short-term memory cell (LSTM), which is one of the most powerful prediction models, was chosen as the neural network architecture. The LSTM is a memory cell, a computational unit that replaces traditional artificial neurons in the hidden layer of the network. The ability to link memory efficiently and enter remote data using these network memory cells provides a dynamic understanding of the data structure over time. The estimates of the accuracy of the forecast for the value indicators of a derivative financial instrument obtained as a result of computer experiments showed the high efficiency of the constructed neural network model.
Список литературы
-
Атнабаев И.Ю. Прогнозирование цен акций сбербанка на основе искусственных нейронных сетей // Перспективы развития информационных технологий. 2016. № 29. С. 7-11.
-
Бугорский В.Н., Сергиенко А.Г. Использование нейронных сетей для моделирования прогноза котировок ценных бумаг // Прикладная информатика. 2008. № 3 (15). C.3-11.
-
Лопухин А.М. Применение методов фрактального анализа к прогнозированию показателей развития предприятий кофейной отрасли // Continuum. Математика. Информатика. Образование. 2020. Т.4. № 20. С.70-79.
-
Щетинин Е.Ю. Прогнозирование значений индекса фондового рынка на основе оптимизированных нейронных сетей // Modern Science. 2019. № 10-1. С. 400-405.
-
Agrawal, J., Chourasia, V., Mittra, A. State-of-the-art in stock prediction techniques International // Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. 2013. Vol. 2. Pp. 1360 - 1366.
-
Banik, Sh., Chanchary, F.H., Rouf, R.A., Khodadad, K. Modeling chaotic behavior of Dhaka Stock Market Index values using the neuro-fuzzy model // Computer and information technology: 10th international conference, ICCIT 2007. Pp. 1-6.
-
Dash, M., Liu, H. Feature selection methods for classifications, Intelligent Data Analysis // Internation Journal. 1997. Vol. 1. Pp. 131 - 156.
-
Daigo, К., Tomoharu, N. Stock prediction using multiple time series of stock prices and news articles // 2012 IEEE Symposium on Computers & Informatics (ISCI). 2012. Pp. 11-16, doi: 10.1109/ISCI.2012.6222659.
-
Jayasuriya, D. Predictability of Financial Markets in ASEAN Countries using Machine Learning Techniques // SSRN Electronic Journal. 2019.
-
Wang, Ju., Leu, Ji. Stock market trend prediction using ARIMA-based neural networks // Proceedings of International Conference on Neural Networks (ICNN'96). 1996. Vol.4. Pp.2160-2165.
-
Yahoo Finance - Stock Market Live, Quotes, Business & Finance News. Sunnyvale. URL: https://finance.yahoo.com/