ВВЕДЕНИЕ 3
ПОСТАНОВКА ЗАДАЧИ 7
ОБЗОР ЛИТЕРАТУРЫ 8
ГЛАВА 1. Анализ методов глубинного обучения, библиотек и инструментов 14
1.1. Свёрточная нейронная сеть (CNN) 17
1.2. Рекуррентная нейронная сеть (RNN) 19
1.3. RNN: Sequence-to-Sequence 22
1.4. Автокодировщики 23
1.5. Обучение с подкреплением 25
1.6. Генеративно-состязательная сеть 27
1.7. Библиотеки и инструменты 28
ГЛАВА 2. Подготовка данных и построение предсказательной модели 30
2.1. Подготовка данных 30
2.2. Нормализация данных 34
2.3. Построение модели 34
ГЛАВА 3. Обучение, визуализация и результаты 38
3.1. Эксперименты 38
3.2. Визуализация 43
ВЫВОДЫ 46
ЗАКЛЮЧЕНИЕ 47
Список литературы и источников 48
Прогнозирование фондового рынка - это попытка определить будущую стоимость акций компании или другого финансового инструмента, торгуемого на бирже. Успешное прогнозирование будущей цены акций может принести значительную прибыль. Гипотеза об эффективном рынке предполагает, что цены на акции отражают всю имеющуюся в настоящее время информацию, и любые изменения цен, которые не основаны на недавно выявленной информации, по своей сути непредсказуемы. Другие не согласны, и те, у кого есть эта точка зрения, обладают бесчисленными методами и технологиями, которые предположительно позволяют им получать информацию о будущих ценах.
Методики прогнозирования делятся на три широкие категории, которые могут (и часто делают) перекрываться. Это фундаментальный анализ, технический анализ и методы интеллектуального анализа данных:
• Фундаментальный анализ
Сторонники фундаментального анализа обеспокоены компанией, которая лежит в основе самого индекса. Они оценивают прошлую работу компании, а также доверие к её финансовым показателям. Создаются многие коэффициенты производительности, которые помогают фундаментальному аналитику оценить стоимость акции.
Фундаментальный анализ основан на убеждении, что человеческое общество нуждается в капитале для достижения прогресса, и если компания работает хорошо, она должна быть вознаграждена дополнительным капиталом и это приведет к резкому увеличению курса акций. Фундаментальный анализ широко используется менеджерами фондов, поскольку он является наиболее разумным, объективным и сделан из общедоступной информации, такой как анализ финансовой отчетности.
Другим значением фундаментального анализа является анализ «сверху вниз»: сначала анализируем глобальную экономику, затем страну, сектор экономики и, наконец, анализ конкретной компании.
• Технический анализ
Технические аналитики или чартисты (от англ. chart - график) не заинтересованы ни в одном из основных показателей компании. Они стремятся определить будущую цену акции, основываясь исключительно на (потенциальных) тенденциях прошлой цены (форме анализа временных рядов). Используются многочисленные шаблоны, такие как «голова и плечи» [1], «чашка с ручкой» [2]. Наряду с шаблонами используются методы, такие как экспоненциальная скользящая средняя (EMA) [3]. «Японские свечи» [4], которые, как полагают, были впервые разработаны японскими торговцами рисом, в наши дни широко используются техническими аналитиками.
• Технологии интеллектуального анализа данных
С распространением компьютера прогнозирование фондового рынка с тех пор перешло в технологическую сферу. Наиболее известный метод заключается в использовании искусственных нейронных сетей (ANN) [5] и генетических алгоритмов (GA) [6]. Ученые обнаружили, что метод оптимизации бактериального хемотаксиса может работать лучше, чем GA [7]. ANN можно рассматривать как аппроксиматоры математической функции. Наиболее распространенной формой ANN, используемой для прогнозирования фондового рынка, является сеть прямой передачи, использующая алгоритм обратного распространения ошибок для обновления сетевых весов. Эти сети обычно называются сетями обратного распространения ошибки. Другой формой ANN, которая более подходит для прогнозирования цены, является рекуррентная нейронная сеть (RNN) [8] или нейронная сеть с временной задержкой (TDNN) [9]. Примерами RNN и TDNN являются сети Элмана, Джордана и Элмана-Джордана.
Для прогнозирования цены с помощью ANN обычно используются два подхода для прогнозирования разных временных горизонтов: независимые и совместные. В независимом подходе используется одна ANN для каждого временного горизонта, например, 1-дневный, 2-дневный или 5-дневный. Преимущество такого подхода заключается в том, что ошибка прогноза сети для одного горизонта не повлияет на ошибку для другого горизонта, поскольку каждый временной горизонт обычно является уникальной проблемой. Однако совместный подход включает в себя несколько временных горизонтов, чтобы они определялись одновременно. В этом подходе ошибка прогнозирования для одного временного горизонта может делить свою ошибку с ошибкой другого горизонта, что может снизить производительность. Для совместной модели также требуется больше параметров, что увеличивает риск переобучения.
В последнее время большинство академических исследовательских групп, изучающих ANN для прогнозирования цен, по-видимому, с большим успехом используют ансамбль независимых методов ANN. Ансамбль ANN будет использовать низкие цены и временные задержки для прогнозирования будущих минимумов, в то время как другая сеть будет использовать текущие максимумы для прогнозирования будущих максимумов. Прогнозируемые низкие и высокие цены затем используются для формирования стоп-цен для покупки или продажи. Выходы из отдельных «низких» и «высоких» сетей также могут вводиться в конечную сеть, которая также будет включать объемы, межрыночные данные или статистические сводки цен, что приведет к окончательному выпуску ансамбля, который приведет к покупке, продаже или рыночному направлению изменение. Основной вывод с ANN и прогнозом запаса заключается в том, что подход классификации (аппроксимация функции) с использованием выходов в виде buy (y = + 1) и sell (y = -1) приводит к лучшей прогнозирующей надежности, чем количественный результат, такой как как низкая или высокая цена [10]. Это объясняется тем, что ANN может предсказать класс лучше, чем количественное значение, как при приближении функции, поскольку ANN иногда больше узнают о шуме во входных данных.
Поскольку ANN требуют обучения и могут иметь большое пространство параметров, полезно изменить структуру сети для оптимальной прогностической способности.
В данной работе был проведен анализ различных методов глубинного обучения, библиотек и инструментов, находящихся в открытом доступе для задачи прогнонозирования движения цен на финансовых рынках. Осуществлен поиск, предобработка и нормализация исторических ценовых данных S&P500 для обучения и тестирования модели, сами результаты визуализированы с помощью Tensorboard.
В процессе мы получили программный комплекс для прогнозирования направления движения цен, реализующий архитектуру рекуррентной нейронной сети (RNN), построенной на элементах долгой краткосрочной памяти (LSTM). Выбор сделан в пользу именно такой архитектуры, поскольку история движения цен представляет собой временной ряд и необходимо регулярно обращаться к ней и учитывать долгосрочный контекст, а RNN с LSTM для этого и предназначены.
Программный комплекс был реализован с помощью TensorFlow по ряду причин: многочисленное сообщество, обширный выбор документации, открытый исходный код, распределенное выполнение моделей, различные архитектурные оптимизации, визуализация во время выполнения (что упрощает отладку модели), портативность вплоть до того, что модели можно запускать на смартфонах с Android.
Существует множество способов улучшить результат: дизайн слоев и нейронов, разная инициализация и схемы активации, комбинирование с другими моделями (например, с интеллектуальным анализом текста) и т. д. Стоит упомянуть наличие целого класса микропроцессоров и сопроцессоров (ИИ-ускорителей)[55], которые можно применить для ускорения работы уже существующих моделей благодаря высочайшему уровню параллелизма. Чтение академических источников тоже может помочь глубоко изучить материал и идти в ногу с передовыми разработками.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
