📄Работа №190129
Тема: Применение искусственных нейронных сетей генеративно-состязательной архитектуры для прогнозирования цены акций
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Программирование
Объем:
52 листов
Год:
2022
Просмотров:
71
4300
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
ВВЕДЕНИЕ 3
1 АНАЛИЗ МОДЕЛЕЙ ДЛЯ ПРЕДСКАЗАНИЯ ЦЕНЫ НА АКЦИИ 4
1.1 Обучение нейронных сетей 5
1.1.1 Методы обучения нейронных сетей 5
1.1.2 Алгоритм оптимизации Adam 5
1.2 Выборки 8
1.3 Сверточные нейронные сети 9
1.4 Рекуррентные нейронные сети 10
1.4.1 LSTM 12
1.4.2 GRU 13
1.5 Генеративно-состязательные сети (GAN) 14
2 НАБОР ДАННЫХ И ХАРАКТЕРИСТИКИ 17
3 МЕТОДОЛОГИЯ 21
3.1 Генератор GAN 21
3.2 Дискриминатор GAN 22
3.3 Архитектура GAN 24
4 РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ 25
4.1 Обучение модели 25
4.2 Эксперименты и результаты 25
ЗАКЛЮЧЕНИЕ 34
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 36
ПРИЛОЖЕНИЕ А. ОПИСАНИЕ ТЕХНИЧЕСКИХ ИНДИКАТОРОВ 39
ПРИЛОЖЕНИЕ Б. ОБЩАЯ ТАБЛИЦА РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ МОДЕЛЕЙ 44
ВВЕДЕНИЕ 3
1 АНАЛИЗ МОДЕЛЕЙ ДЛЯ ПРЕДСКАЗАНИЯ ЦЕНЫ НА АКЦИИ 4
1.1 Обучение нейронных сетей 5
1.1.1 Методы обучения нейронных сетей 5
1.1.2 Алгоритм оптимизации Adam 5
1.2 Выборки 8
1.3 Сверточные нейронные сети 9
1.4 Рекуррентные нейронные сети 10
1.4.1 LSTM 12
1.4.2 GRU 13
1.5 Генеративно-состязательные сети (GAN) 14
2 НАБОР ДАННЫХ И ХАРАКТЕРИСТИКИ 17
3 МЕТОДОЛОГИЯ 21
3.1 Генератор GAN 21
3.2 Дискриминатор GAN 22
3.3 Архитектура GAN 24
4 РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ 25
4.1 Обучение модели 25
4.2 Эксперименты и результаты 25
ЗАКЛЮЧЕНИЕ 34
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 36
ПРИЛОЖЕНИЕ А. ОПИСАНИЕ ТЕХНИЧЕСКИХ ИНДИКАТОРОВ 39
ПРИЛОЖЕНИЕ Б. ОБЩАЯ ТАБЛИЦА РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ МОДЕЛЕЙ 44
📖 Аннотация
Работа посвящена исследованию применения генеративно-состязательных сетей (GAN) для прогнозирования цен на акции. Актуальность темы обусловлена высокой экономической значимостью финансовых рынков, где даже незначительное улучшение точности прогнозов может иметь существенный практический эффект, при этом существующие исследования демонстрируют противоречивые результаты относительно эффективности GAN в данной задаче. В исследовании проводится сравнительный анализ моделей на основе рекуррентных нейронных сетей (LSTM и GRU), обученных классическим методом Adam и в рамках GAN-архитектуры, на исторических данных по акциям компаний Intel и Nvidia из индекса S&P 500 за период с 2010 по 2022 год. Результаты эксперимента показали, что модели GRU и LSTM, обученные с оптимизатором Adam, в большинстве случаев превзошли по метрике RMSE аналогичные по архитектуре модели, обученные в рамках GAN, что противоречит выводам некоторых предыдущих исследований. Полученные результаты указывают на необходимость тщательного валидационного сравнения архитектур и условий обучения при использовании GAN для финансовых прогнозов. Практическая значимость работы заключается в предоставлении инвесторам и аналитикам верифицированных данных о сравнительной эффективности современных методов машинного обучения, что может быть использовано для разработки более надежных торговых алгоритмов.
📖 Введение
Сегодня машинное обучение применяется практически во всех сферах деятельности: от анализа поведения пользователей в интернете до исследования генетической предрасположенности человека к серьезным заболеваниям и социального моделирования.
Многие исследования показали, что цены на акции предсказуемы. В статье «Stock price prediction using Generative Adversarial Networks» авторы используют новый, перспективный подход, основанный на применении технологии генеративносостязательных сетей (Generative Adversarial Networks, GAN). В данной статье авторы используют модели для предсказания цены акции Apple, обученные с GAN, и получают результаты лучше, чем у моделей, обученных классическими методами. Однако, выводы, полученные в конце рассматриваемой статьи вызывают достаточный уровень сомнения в том, являются ли достигнутые показатели достижимы ровно за счёт предлагаемого подхода. Поскольку рассматриваемая прикладная отрасль, а именно торговля ценными бумагами, это сфера экономики, в которой ежедневно совершаются сделки на миллиарды долларов, то любое потенциальное достижение в этой области должно быть верифицируемым. Что и предлагается проделать в данной работе.
В результате, предлагается проверить эффективность модели для предсказания цены на акции, построенной на основе GAN в комбинации с такими рекуррентными нейронными сетями как GRU и LSTM .
Таким образом, можно сформулировать задачи данной работы:
1. собрать набор данных и провести их предобработку;
2. разработать архитектуру нейронной сети;
3. применить GAN для обучения моделей;
4. сравнить модели, обученные методом Adam с моделями GAN;
5. сделать вывод о преимуществах и недостатках подхода основанного на GAN.
В данной работе было решено прогнозировать цену закрытия наиболее волатильных компаний, которые входят в S&P 500 (Intel, Nvidia...). Для этой цели будут использованы дневные цены закрытия с 1 января 2010 г. по 1 января 2022 г. Обучение модели будет осуществляться на данных с 1 января 2010 г. по 1 января 2019 г., проверка результатов будет осуществляться на данных за с 1 января 2019 г. по 1 января 2022 г.
Многие исследования показали, что цены на акции предсказуемы. В статье «Stock price prediction using Generative Adversarial Networks» авторы используют новый, перспективный подход, основанный на применении технологии генеративносостязательных сетей (Generative Adversarial Networks, GAN). В данной статье авторы используют модели для предсказания цены акции Apple, обученные с GAN, и получают результаты лучше, чем у моделей, обученных классическими методами. Однако, выводы, полученные в конце рассматриваемой статьи вызывают достаточный уровень сомнения в том, являются ли достигнутые показатели достижимы ровно за счёт предлагаемого подхода. Поскольку рассматриваемая прикладная отрасль, а именно торговля ценными бумагами, это сфера экономики, в которой ежедневно совершаются сделки на миллиарды долларов, то любое потенциальное достижение в этой области должно быть верифицируемым. Что и предлагается проделать в данной работе.
В результате, предлагается проверить эффективность модели для предсказания цены на акции, построенной на основе GAN в комбинации с такими рекуррентными нейронными сетями как GRU и LSTM .
Таким образом, можно сформулировать задачи данной работы:
1. собрать набор данных и провести их предобработку;
2. разработать архитектуру нейронной сети;
3. применить GAN для обучения моделей;
4. сравнить модели, обученные методом Adam с моделями GAN;
5. сделать вывод о преимуществах и недостатках подхода основанного на GAN.
В данной работе было решено прогнозировать цену закрытия наиболее волатильных компаний, которые входят в S&P 500 (Intel, Nvidia...). Для этой цели будут использованы дневные цены закрытия с 1 января 2010 г. по 1 января 2022 г. Обучение модели будет осуществляться на данных с 1 января 2010 г. по 1 января 2019 г., проверка результатов будет осуществляться на данных за с 1 января 2019 г. по 1 января 2022 г.
✅ Заключение
Цель данной работы заключалась в исследовании преимуществ применения искусственных нейронных сетей генеративно-состязательной архитектуры (GAN) в задаче прогнозирования временных рядов, связанных с финансовыми показателями ценных бумаг, а именно ценой закрытия.
В работе [3] было продемонстрировано, что GAN-модели способны улучшить качество предсказания целевого признака в смысле таких метрик, как RMSE.
Была реализована модель GRU, состоящая из пяти слоев, где два слоя состоят из элементов GRU, а остальные слои - полносвязные. Для сравнения результатов были выбраны акции таких компаний как Intel и Nvidia. В качестве базового алгоритма обучения был выбран Adam. Для акций Intel был получен результат RMSE 2.12, а для акций Nvidia 14.24.
Модель LSTM, также состоящая из пяти слоев, где два слоя состоят из элементов LSTM, а остальные слои - полносвязные. В качестве базового алгоритма обучения также был выбран Adam. Для акций Intel был получен результат RMSE 2.78, а для акций Nvidia 14.71. Данный результат хуже, чем у модели с использованием GRU.
Для сравнения с этими моделями были реализованы сети такой же архитектуры только с использованием генеративно-состязательного обучения. В качестве сети дискриминатора была использована модель, содержащая сверточные слои. Данный подход показал интересные результаты при сравнении с Adam. Для сравнения результаты GRU для Intel 2.25 против 2.12, а для Nvidia 7.99 против 14.24. Сети LSTM для Intel показывают RMSE 2.24 против 2.78, а также 23.53 против 14.71.
Суммарный результат MAPE для моделей GRU, обученных с применением GAN, на 0.317 больше, чем у моделей, обученных оптимизатором Adam, а суммарный результат MAPE для моделей LSTM на 1.644 больше, чем у моделей, обученных оптимизатором Adam. Результаты противоречат результатам, полученным в статье [3], где в среднем модели, обученные генеративно-состязательным методом, показывают лучшие результаты на тестовых данных.
В данной статье модели с применением GAN показывают лучший результат по сравнению с моделями обучаемыми методом Adam. Скорее всего это связано с тем, что для сети генератора в GAN они используют более сложную архитектуру и обучают ее 165 эпох в сравнении с более простой моделью, которую обучают методом Adam 50 эпох. Возможно, результаты оказались хуже, чем в статье из-за того, что в статье авторы используют разные архитектуры для сетей, обучаемыми методом GAN и методом Adam. Сети, обучаемые методом GAN, имели более сложную архитектуру, что давало им преимущество при решении данного вида задач.
В работе [3] было продемонстрировано, что GAN-модели способны улучшить качество предсказания целевого признака в смысле таких метрик, как RMSE.
Была реализована модель GRU, состоящая из пяти слоев, где два слоя состоят из элементов GRU, а остальные слои - полносвязные. Для сравнения результатов были выбраны акции таких компаний как Intel и Nvidia. В качестве базового алгоритма обучения был выбран Adam. Для акций Intel был получен результат RMSE 2.12, а для акций Nvidia 14.24.
Модель LSTM, также состоящая из пяти слоев, где два слоя состоят из элементов LSTM, а остальные слои - полносвязные. В качестве базового алгоритма обучения также был выбран Adam. Для акций Intel был получен результат RMSE 2.78, а для акций Nvidia 14.71. Данный результат хуже, чем у модели с использованием GRU.
Для сравнения с этими моделями были реализованы сети такой же архитектуры только с использованием генеративно-состязательного обучения. В качестве сети дискриминатора была использована модель, содержащая сверточные слои. Данный подход показал интересные результаты при сравнении с Adam. Для сравнения результаты GRU для Intel 2.25 против 2.12, а для Nvidia 7.99 против 14.24. Сети LSTM для Intel показывают RMSE 2.24 против 2.78, а также 23.53 против 14.71.
Суммарный результат MAPE для моделей GRU, обученных с применением GAN, на 0.317 больше, чем у моделей, обученных оптимизатором Adam, а суммарный результат MAPE для моделей LSTM на 1.644 больше, чем у моделей, обученных оптимизатором Adam. Результаты противоречат результатам, полученным в статье [3], где в среднем модели, обученные генеративно-состязательным методом, показывают лучшие результаты на тестовых данных.
В данной статье модели с применением GAN показывают лучший результат по сравнению с моделями обучаемыми методом Adam. Скорее всего это связано с тем, что для сети генератора в GAN они используют более сложную архитектуру и обучают ее 165 эпох в сравнении с более простой моделью, которую обучают методом Adam 50 эпох. Возможно, результаты оказались хуже, чем в статье из-за того, что в статье авторы используют разные архитектуры для сетей, обучаемыми методом GAN и методом Adam. Сети, обучаемые методом GAN, имели более сложную архитектуру, что давало им преимущество при решении данного вида задач.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.