ВВЕДЕНИЕ 5
1 АНАЛИЗ ПРОГНОЗНЫХ МОДЕЛЕЙ НА ФОНДОВОМ РЫНКЕ 7
1.1 Существующих подходов к прогнозированию стоимости акций 7
1.2 Выводы по главе 13
2 РАЗРАБОТКА НЕЙРОСЕТЕВОГО АЛГОРИТМА ДЛЯ
ПРОГНОЗИРОВАНИЯ СТОИМОСТИ АКЦИЙ 14
2.1 Прогнозирование стоимости акций при фундаментальном анализе как
задача регрессии 14
2.2 Обучающая выборка и структура нейронной сети 19
2.5 Выводы по главе 24
3 РАЗРАБОТКА СЕРВИСА НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ .... 25
3.1 Архитектура сервиса 25
3.2 Программные решения, применяемые при реализации сервиса 27
3.3 Обсуждение результатов прогнозирования 36
3.4 Выводы по главе 38
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 41
Системы искусственного интеллекта все активней применяются в различных сферах науки и техники для автоматизации различных процессов и снижения доли участия человека при принятии решений. Так, например, в бизнесе искусственный интеллект используется для определения уровня лояльности клиента, повышения уровня эффективности таргетированной рекламы, создание автономных ассистентов, сортировки обращений клиентов по содержанию вопроса.
Одновременно с этим граждане Российской Федерации стремятся повысить свой уровень дохода за счет инвестирования в фондовый рынок. Так, на XI Биржевом форуме Московской биржи представитель Центрального Банка заявил, что в течение нескольких лет ожидается увеличение количества граждан с брокерскими счетами до 74 миллионов человек. При инвестировании средств на фондовом рынке актуальной проблемой является отбор наиболее выгодных для покупки акций. Стандартной стратегией получения дохода за счет акций является покупка акций с высоким потенциалом роста цены для последующей их продажи через несколько месяцев.
В этом случае, оптимизация дохода, получаемого с фондового рынка, достигается путем использования различных средств для прогнозирования изменения цен акций.
Технологии искусственного интеллекта позволяют проводить построение прогнозных моделей.
Существуют подходы по применению алгоритмов машинного обучения для прогнозирования изменения цен на акции. Они основаны на анализе исторических финансовых данных компаний и обучении на их основе прогнозных моделей. Недостатком таких подход является снижение точности предсказаний выдаваемых прогнозной моделью с течением времени. Это связано с тем, что параметры модели неизменны и ее прогнозы 5
в какой-то момент времени перестают соответствовать динамически изменяющейся обстановке на финансовых рынках.
Данная работа направлена на преодоление этого недостатка.
Таким образом, цель работы - разработка адаптивного алгоритма для прогнозирования изменения цен акций на фондовом рынке с использованием нейросетевых технологий.
Для достижения поставленной цели в работе решаются следующие задачи:
1. Анализ существующих подходов к прогнозированию цен акций на фондовом рынке.
2. Разработка адаптивного алгоритма для прогнозирования изменения цен акций на фондовом рынке с использованием нейросетевых технологий.
3. Разработка программной реализации предложенного алгоритма прогнозирования цен на акции.
В ходе написания балкарской работы были получены следующие результаты:
1. Проведен анализ походов к построению прогнозных моделей на основе фундаментального анализа финансовых показателей компаний, представленных на фондовом рынке. Выявлен недостаток существующих подходов связанный с отсутствием адаптируемости прогнозных моделей к внешним эконмическим изменениям.
2. Для преодоления данного недостатка предложена схема построения прогнозной модели, основанной на использовании финансовых показателей за предыдущий квартал для прогнозирования цен акций в следующем квартале. При этом адаптируемость прогнозной модели обеспечивается наличием процедуры ее ежеквартальном переобучении исключительно на актуальных квартальных данных. В качестве прогнозной модели предложено использовать нейронную сеть.
3. Обосновано, что построение модели для прогнозирования роста стоимости акций компаний на основе их фундаментальных показателей можно свести к задаче построения регрессионной модели. В качестве регрессионной модели можно использовать нейронную сеть прямого распространения. Для выбора архитекторы нейронной сети был определен набор финансовых показателей, подаваемых на ее входной слой; проанализирован диапазон значений этих параметров, на основе которого выбрана функция активации (ReLu); определено количества и структура скрытых слоев сети (в первом слое - 5 нейронов, во втором слое - 2 нейрона).
4. В ходе исследований был определен оптимальный алгоритм обучения нейронной сети прямого распространения с выбранной архитектурой - алгоритм Adam, основанный на стохастическом градиентном спуске.
5. В качестве источника данных для формирования обучающей выборки был выбран сервис Yahoo Finance, а в качестве метода извлечения данных - парсинг страниц сервиса.
6. Разработана структура сервиса прогнозирования цен на акции с использованием нейронной сети, включающей в себя GPU облако Google Colab и WEB-сервис. GPU облако используется для парсинга финансовых данных различных компаний с сервиса Yahoo Finance с их последующим использованием для обучения нейронной сети. Обученная нейронная сеть используется для прогнозирования изменения стоимости акций в течение 4 месяцев. GPU облако формирует изображение с текущими прогнозами, устанавливает соединение с WEB-^ервером (хостингом) и отправляет туда полученной изображение. Пользователь, заходя на сайт проекта (2inv.ru) , в последствии, может получить информацию с прогнозами
7. На языке Python разработан программный код, реализующий работу сервиса.
8. Исследование результатов прогнозирования показывает, что в период «бычьего» рынка сбывается около 75% процентов сформулированных нейронной сетью прогнозов.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
