📄Работа №196950
Тема: ПРОГНОЗИРОВАНИЕ СТОИМОСТИ АКЦИЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
Тип работы
Магистерская диссертация
Предмет
экономика
Объем:
89 листов
Год:
2022
Просмотров:
51
4995
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
Введение 4
1 Теоретические основы функционирования фондового рынка 12
1.1 Сущность и понятия фондового рынка: типы и виды 12
1.2 Классификация участников и финансовых инструментов фондового рынка 14
1.3 Механизм функционирования фондового рынка 18
1.4 Классические методы анализа фондового рынка 24
2 Применение нейросетевых моделей в задачах прогнозирования стоимости акций 26
2.1 LSTM - Модели долгой краткосрочной памяти 26
2.2 EMD - Метод эмпирической модовой декомпозиции 28
2.3 KNN - Метод k ближайших соседей 30
2.4 CNN - Свёрточная нейронная сеть 31
2.5 Слои нейросети 32
2.6 Гибридные модели 33
2.7 Преимущества и недостатки применения нейросетевых моделей при
прогнозировании стоимости акций 36
2.8 Методы оценивания качества прогноза 38
3 Выбор оптимальной нейросетевой модели при прогнозировании стоимости акций и
рекомендации по автоматизации 40
3.1 Постановка проблемы 41
3.2 Получение данных и их предобработка 42
3.3 Обучение и реализация нейросетевой модели 46
3.4 Тестирование разработанной модели для прогнозирования временных рядов
стоимости акций 51
3.5 Анализ результатов прогнозирования 54
3.6 Рекомендации по улучшению нейросетевой модели 54
Заключение 57
Список использованных источников и литературы 59
Приложение А Фрагмент кода для загрузки библиотек 69
Приложение Б Фрагмент кода для предобработки данных стоимости акций Сбербанка ...70
Приложение В Реализация Dense-сетки 75
Приложение Г Реализация одномерной свёртки (Conv1D) 77
Приложение Д Реализация LSTM 79
Приложение Е Реализация LSTM + Conv1D + Dense 80
1 Теоретические основы функционирования фондового рынка 12
1.1 Сущность и понятия фондового рынка: типы и виды 12
1.2 Классификация участников и финансовых инструментов фондового рынка 14
1.3 Механизм функционирования фондового рынка 18
1.4 Классические методы анализа фондового рынка 24
2 Применение нейросетевых моделей в задачах прогнозирования стоимости акций 26
2.1 LSTM - Модели долгой краткосрочной памяти 26
2.2 EMD - Метод эмпирической модовой декомпозиции 28
2.3 KNN - Метод k ближайших соседей 30
2.4 CNN - Свёрточная нейронная сеть 31
2.5 Слои нейросети 32
2.6 Гибридные модели 33
2.7 Преимущества и недостатки применения нейросетевых моделей при
прогнозировании стоимости акций 36
2.8 Методы оценивания качества прогноза 38
3 Выбор оптимальной нейросетевой модели при прогнозировании стоимости акций и
рекомендации по автоматизации 40
3.1 Постановка проблемы 41
3.2 Получение данных и их предобработка 42
3.3 Обучение и реализация нейросетевой модели 46
3.4 Тестирование разработанной модели для прогнозирования временных рядов
стоимости акций 51
3.5 Анализ результатов прогнозирования 54
3.6 Рекомендации по улучшению нейросетевой модели 54
Заключение 57
Список использованных источников и литературы 59
Приложение А Фрагмент кода для загрузки библиотек 69
Приложение Б Фрагмент кода для предобработки данных стоимости акций Сбербанка ...70
Приложение В Реализация Dense-сетки 75
Приложение Г Реализация одномерной свёртки (Conv1D) 77
Приложение Д Реализация LSTM 79
Приложение Е Реализация LSTM + Conv1D + Dense 80
📖 Введение
Актуальность темы диссертационного исследования. Фондовый рынок — это хаотичный, сложный и динамичный финансовый рынок. Прогнозирование будущих цен на акции является предметом беспокойства и спорным вопросом для исследователей. Однако именно грамотный анализ социально-экономических систем позволяет эффективно организовать различные процессы в условиях рынка, что в дальнейшем отразиться в позитивной динамике развития как отдельных предприятий, так и страны в целом.
Отметим, что дисциплина в системе управления и принятия решений является определяющим фактором успешности социально-экономического развития. Современный менеджмент активно занимается поиском и исследованием продуктивных механизмов управления и способов принятия грамотных решений. При этом менеджмент охватывает все системы рынков, включая и финансовый рынок. Особое внимание обращает на себя движение свободного капитала, в частности денежных средств, потоки которого значительно увеличились за последние десятилетия. При их разумном размещении, можно получить доход, превышающий прибыль от банковских депозитов или хранения денег в валюте.
На сегодняшний день, изучение рынка ценных бумаг является перспективным направлением экономических исследований. Так как вложив деньги в покупку акций компании сегодня, через несколько лет можно продать акции по более высокой цене. Иногда цена акций возрастает в несколько раз в сравнении с первоначальной ценой покупки. Вложив деньги в маленькую, но перспективную компанию, уже через несколько месяцев можно приумножить свои вложения.
Продвинутые торговые модели позволяют исследователям прогнозировать рынок, используя нетрадиционные текстовые данные с социальных платформ. Между тем анализ и прогнозирование фондовых рынков по-прежнему остаются одной из наиболее сложных областей исследований из-за динамичных, неустойчивых и хаотичных данных.
В настоящее время экономическая ситуация в России характеризуется нестабильностью, а значит различные сделки осуществлять достаточно рискованно. Современные реалии предъявляют к трейдеру более высокие требования, чем ранее, 10-15 лет назад. Для того чтобы проводить торги на различных биржах (товарных, фондовых, срочных и т.п.) как на уровне нашей страны, так и за рубежом, важным является не только владение разного рода инструментами анализа, но и их адекватное применение. Кроме того, трейдер должен быстро реагировать на изменения на финансовых рынках и принимать грамотные решения. Поэтому основополагающим вопросом, который предстоит исследовать в рамках данной работы, является вопрос о том, как принять верное инвестиционное решение на финансовом рынке. Чаще всего, при принятии решений об инвестиционных вложениях, большинство руководствуется практикой торговой интуиции. Если учесть, что подавляющее большинство участников рынка владеют знаниями анализа и, безусловно, могли бы иметь возможность прибыльно играть на бирже, то сложившаяся ситуация является парадоксальной. Тем более, что, принимая решение интуитивно, а не на основе продуктивного анализа, как показывает практика, большинство трейдеров остаются в минусе, то есть проигрывают.
Цены на акции представляют собой очень изменчивый временной ряд. На цены акций влияют различные факторы, такие как национальная политика, процентные ставки, обменные курсы, новости отрасли, инфляция, денежно-кредитная политика, временные события, настроения инвесторов и вмешательство человека. Предсказание цен акций на поверхности требует создания модели взаимосвязи между ценами акций, и они этими факторами. Хотя эти показатели временно изменят цену акции, по существу, отразятся на цене акции и не изменят долгосрочный тренд цены акции. Таким образом, цены на акции можно предсказать, просто используя исторические данные.
Прогнозирование цен на акции является сложной и значимой задачей для финансовых учреждений и частных инвесторов. Для эффективного снижения инвестиционных рисков и получения стабильной отдачи от инвестиций многие ученые выдвигают большое количество моделей прогнозирования. Быстрое развитие технологий приложений больших данных, особенно машинного и глубокого обучения в финансовой сфере, оказывает сильное влияние на инвесторов. Направления исследований включают низкочастотные данные и высокочастотные данные. Классические исследования в основном делятся на два вида методов: фундаментальный анализ и технический анализ.
С одной стороны, в техническом анализе люди широко используют математические статистические методы для анализа исторических тенденций цен на акции и прогнозирования последних цен на акции. В последние годы многие исследователи применяли различные алгоритмы машинного обучения для анализа и прогнозирования цен на акции, такие как нейронные сети, многоядерное обучение, пошаговый регрессионный анализ и глубокое обучение. Хотя многие алгоритмы достигли хороших результатов в определенных аспектах, существует множество проблем с конфигурациями параметров и выбором данных при использовании машинного обучения, которое по-прежнему является важной областью исследований. С другой стороны, в фундаментальном анализе, люди в основном используют обработку естественного языка для анализа финансовых новостей и финансовой отчетности компании, чтобы предсказать будущую тенденцию цен на акции.
На фондовом рынке используются различные стратегии поведения, которые, прежде всего, зависят от того, какие цели преследуются инвесторами. Так, те, для кого главной целью является получить высокий доход, активно стремятся получить дополнительные знания о перспективных тенденциях рынка. При этом они широко используют большой спектр инструментов для анализа рынка, что позволяет обеспечить высокую точность прогнозов, которая является актуальной для всех участников фондового рынка.
Степень разработанности темы исследования. Анализируя историю финансовых рынков, можно отметить, что на протяжении всего времени происходил поиск математических зависимостей во временных рядах котировок финансовых инструментов и технических индикаторов, которые формируются самой системой. Бурное развитие исследований в области анализа временных рядов открыло возможности строить прогнозы данных временных рядов. На первых этапах для этого использовались классические методы анализа статистических данных, а в дальнейшем нашли свое применение методы авторегрессионного анализа и адаптивные методы, которые основаны на скользящих средних.
Отметим, что многие ученые как отечественные, так и зарубежные, повялили свои изыскания изучению методов прогнозирования временных рядов. Так новаторскими в данном направлении стали работы таких зарубежных авторов как D.R. Brillinger, G.E.P. Box, C. Holt, P. Winters, G.M. Jenkins [76, 78, 77, 82]. В нашей стране исследование данных методов стало основным предметом изучения Ю.П. Лукашина, В.Н. Афанасьева, Г.Г. Канторовича и ряда других ученных [6, 30]. Отметим, что отдельные авторы, например, Осминин К.П. и Орлов Ю.Н., в своих работах исследовали составление прогнозов именно финансовых временных рядов [62, 65, 66].
Со временем стали активно развиваться методы распознания образов и методология нейронный сетей, что принципиальным образом изменило подходы к анализу финансовых рынков. Изучением методов распознания и разработкой методологических основ занимались F. Rosenblatt, G.E. Hinton, R.J. Williams, D.E. Rumelhart, T. Kohonen [72, 73, 74, 75]. Среди отечественных авторов, работающих над описанными методами и подходами, можно назвать А.И. Галушкина, А.Н. Горбаня, В.Л. Дунина-Барковского, Е.М. Миркеса и ряд других ученых-экономистов [64, 65, 66, 68, 69].
Разработанные теоретические основы способствовали провайдером для нейросетевого аппарата. Нейросетевой аппарат стал активно применяться в самых различных прикладных областях рыночной экономики, и рынок финансов не стал исключением. Вопросы практического применения нейросетевого аппарата освещены в трудах Д.-Э. Бэстенса, В.-М.ван ден Берга, А. А. Ежова, С.А. Шумского, В. И. Ширяева, В.Н. Бугорского, А.Г. Сергиенко [13, 14, 17, 24]..
Успешность использования машинного обучения при составлении прогнозов различных ценовых показателей на фондовом рынке были подтверждены практическими исследованиями различных специалистов. Так, Н.П Червотин, работая по теме «Применение метода комитетов к анализу технических индикаторов фондового рынка», эмпирическим способом подтвердил эффективность построения комитетных конструкций, используемых при прогнозировании стоимости финансовых инструментов, которые котируются на фондовых рынках.
Разработкой модели системы, которая осуществляет поддержку при принятии решений на финансовых рынках для предприятий на основе вероятностного анализа и машинного обучения занимались отечественные ученые Е. В. Синицын и А. В. Толмачев. В основе их модели лежит правило Байеса. Результатом работы специалистов стало подтверждение высокой эффективности, разработанной ими модели, которая обеспечивает высокую вероятность получения прибыли, превышающую возможные потери.
Изыскания Чоудри Р. и Гарг К. по теме «Гибридная система машинного обучения для прогнозирования фондового рынка» позволили определить степень эффективности модели, разработанной на базе SVM. Данная модель представляет собой совокупность - алгоритмов, которые позволяют спрогнозировать направления цен акций. При этом, данные алгоритмы имеют достаточно высокий попадания (с англ. «hit ratio»), составляющий 61,7328 %.
Необходимо отметить, что современная ситуация на финансовом рынке характеризуется усложнением математических инструментов, используемых для его анализа. Поэтому для трейдеров складывается ситуация, при которой кратно увеличивается количество различных индикаторов и показателей, необходимых для построения прогнозов. Кроме того, сложным становится и выявление какого-либо значимого критерия для отбора и обработки данных. Все это в совокупности очень осложняет принятие окончательного решения.
Именно совокупность данных факторов повлияли активное использование торговых роботов, особенно в последние несколько десятилетий. Их применение, позволяет, по заранее запрограммированным алгоритмам, провести анализ данных, которые помогают самостоятельно заключать сделки на финансовых рынках. При этом, участие трейдера на всех этапах проведения операций исключается. Однако, необходимо отметить, что торговые роботы не обеспечили ожидаемый эффект от их использования, так как не способны производить прогноз, учитывая психологические факторы рынка, как системы. Эти факторы способны анализировать лишь люди, так как именно они являются причинами этих психологических колебаний. Поэтому для обеспечения эффективности и прибыльности торгов на финансовых ранках важным является сочетание торговых роботов с трейдерами, где каждый выполняет свой функционал. Аналитические информационные системы обеспечивают анализ в непростых условиях разрозненной и неструктурированной информации о финансовых рынках. Трейдер в системе «анализ-торговля на финансовом рынке» выполняет функции по принятию решений (ЛИР - лицо, принимающее решения).
Возможности торговых советников и многофункциональных торговых систем используются для того, чтобы поддержать имеющиеся системы принятия решений. Это происходит, главным образом, на основании рекомендаций трейдеров по вхождению в сделку. При этом, трейдеры скрывают информацию о продолжительности сделки и о том, при достижении какой прибыли необходимо выйти из сделки. Кроме того, в данной ситуации не происходит учет рисков увеличения волатильности, которая может произойти из-за влияния самых различных факторов: макроэкономических показателей, экономических новостей и событий. Подобная ситуация является крайне сложной для прогнозирования прибыли и определения стратегии торговли, из -за большого количества факторов, которые необходимо учитывать при составлении прогноза и принятии решений.
Резюмируя вышесказанное, можно сделать вывод о том, что сложившееся противоречие является вполне объективным. В свете имеющихся методов и систем, осуществляющих поддержку при принятии решений, не представляется возможным их обработка посредством интеллектуального анализа данных. Однако это с легкостью проделывают нейронные сети.
Таким образом, основываясь на анализе тематической литературы, можно сделать следующие выводы. Использование нейросетевых моделей позволяет решать задачи, связанные с построением прогнозов, эффективно. Однако на современном этапе не существует универсального способа, который бы обеспечивал прогнозирование тенденций цен на акции. Исходя из этого, возникает необходимость в сравнении определенных моделей. При сравнении важным является определение критериев. Определим их так: нейросетевая модель должна быть эффективной для фондового рынка и иметь высокие показатели точности в сравнении с базовой LSTM моделью.
Проведенный обзор литературы позволяет сделать вывод о том, что нейросетевые модели являются эффективными инструментами для решения задачи прогнозирования, но на сегодняшний день нет четкого ответа на вопрос о том, существует ли универсальный алгоритм для предсказания ценовой динамики акций. Для того чтобы частично решить данную проблему, была поставлена цель провести сравнительный анализ различных нейросетевых моделей и выявить наилучший в условиях фондового рынка, а также сравнить его эффективность с показателями точности классической модели LSTM.
Объектом исследования является фондовый рынок.
Предмет исследования - метод прогнозирования стоимости акций с помощью использования нейронной сети.
Целью магистерской диссертации является разработка и программная реализация алгоритма предварительной обработки данных и последующего выполнения прогноза поведения финансовых временных рядов.
Для достижения поставленной цели выделены следующие задачи:
1. Провести обзорный анализ методов прогнозирования стоимости акций.
2. Провести анализ методов прогнозирования курсов акций на основе нейронных сетей и гибридных моделей.
3. Разработать гибридную модель нейронной сети и подобрать ее оптимальные параметры.
4. Выполнить программную реализацию описанных алгоритмов.
5. Протестировать разработанный алгоритм на разных временных рядах и сравнить результаты.
6. На основе созданной модели прогнозирования, разработать рекомендации по модификации модели для лучшего, по оценочным показателям, алгоритма с целью повышения ее эффективности.
Теоретические и методологические предпосылки исследования.
Коллективные базы знаний (Wikipedia, Google Trend), машинное обучение, развитие систем баз данных, наличие крупных площадок с API, занимающихся систематическим сбором и хранением информации (Finam, Google Finance, Yahoo finance, Nyse, Nasdaq) - все это эффективные инструменты для изучения вопроса о ценообразовании ценных бумаг.
Для достижения поставленных задач в работе использовались следующие методы:
- Получение и сбор данных по показателям торговых сессий активов на фондовых биржах при помощи библиотеки Investpy [91] на языке программирования Python версии 3.7.10;
- Предварительная обработка данных при помощи библиотек Pandas [88], NumPy [87] и Scikit-learn [89];
- Проведение экспериментов для подбора архитектуры и параметров моделей, позволяющих достичь наибольшей прогностической способности;
- Формирование прогнозов при помощи выбранных моделей с использованием библиотек Keras [81] и VmdPy [93];
- Оценка точности предсказаний посредством вычисления метрик MSE, MAPE и MDA в виде собственных функций с использованием библиотеки NumPy;
- Визуализация данных средствами библиотеки MatPlotLib [92];
- Использование блок-схем для рекомендаций по автоматизации алгоритма.
Разработка кода производилась посредством языков программирования Python.
Теоретическая и практическая значимость диссертации и использование полученных результатов.
Практическая ценность данной работы состоит в разработке наиболее точного метода прогнозирования цен акций, позволяющего строить лучшие инструменты для инвестирования и получать наибольшую прибыль при торговле на бирже.
Помимо этого, исследование обладает теоретической ценностью, так как позволит выделить наилучшую из принципиально разных типов моделей и, соответственно, определить наиболее перспективное направление для дальнейшего изучения методов прогнозирования финансовых временных рядов.
Научная новизна диссертации заключается в совершенствовании уже существующего метода прогнозирования доходности финансовых инструментов на фондовом рынке на основе моделей искусственных нейронных сетей.
Степень достоверности результатов. Достоверность теоретических результатов исследования подтверждена авторитетными зарубежными и отечественными исследованиями в данной области, отчетами и докладами авторитетных международных организаций. Достоверность практических результатов исследования подтверждена корректным использованием количественных методов исследований и статистических методов обработки полученных данных.
Апробация результатов исследования.
Основные положения и результаты диссертационной работы опубликовывались на XLIII Международной научно-практической конференции «Advances in Science and Technology» и на III международной научной конференции: Инновационные технологии, экономика и менеджмент в промышленности.
Структура и объем диссертационной работы. Объем диссертационной работы составляет 82 страницы, включая 28 рисунков и 3 таблицы. Работа состоит из введения, трёх глав, заключения, списка сокращений, списка использованных источников, включающего 93 наименования, в дополнение к работе приводятся 6 приложений.
В первой главе были рассмотрены содержание, участники, функции и структура фондового рынка, а также классические методы анализа фондового рынка.
Во второй главе выполнен детальный обзор выбранных методов прогнозирования цен акций и сравнительный анализ прогностической способности полученных моделей.
В третьей главе описаны сбор данных для исследования, предварительная обработка данных и обработка моделирования. Также в данной главе описаны экспериментальные результаты предложенного гибридной модели LSTM-Conv1D-Dense и анализируемые результаты имитационного эксперимента предложенной сложной модели для прогнозирования.
В заключении приведены основные результаты проведенного теоретического и экспериментального исследования.
В приложении представлены экспериментальные данные и исходный код некоторых алгоритмов работы интеллектуальной системы поддержки принятия решений.
Отметим, что дисциплина в системе управления и принятия решений является определяющим фактором успешности социально-экономического развития. Современный менеджмент активно занимается поиском и исследованием продуктивных механизмов управления и способов принятия грамотных решений. При этом менеджмент охватывает все системы рынков, включая и финансовый рынок. Особое внимание обращает на себя движение свободного капитала, в частности денежных средств, потоки которого значительно увеличились за последние десятилетия. При их разумном размещении, можно получить доход, превышающий прибыль от банковских депозитов или хранения денег в валюте.
На сегодняшний день, изучение рынка ценных бумаг является перспективным направлением экономических исследований. Так как вложив деньги в покупку акций компании сегодня, через несколько лет можно продать акции по более высокой цене. Иногда цена акций возрастает в несколько раз в сравнении с первоначальной ценой покупки. Вложив деньги в маленькую, но перспективную компанию, уже через несколько месяцев можно приумножить свои вложения.
Продвинутые торговые модели позволяют исследователям прогнозировать рынок, используя нетрадиционные текстовые данные с социальных платформ. Между тем анализ и прогнозирование фондовых рынков по-прежнему остаются одной из наиболее сложных областей исследований из-за динамичных, неустойчивых и хаотичных данных.
В настоящее время экономическая ситуация в России характеризуется нестабильностью, а значит различные сделки осуществлять достаточно рискованно. Современные реалии предъявляют к трейдеру более высокие требования, чем ранее, 10-15 лет назад. Для того чтобы проводить торги на различных биржах (товарных, фондовых, срочных и т.п.) как на уровне нашей страны, так и за рубежом, важным является не только владение разного рода инструментами анализа, но и их адекватное применение. Кроме того, трейдер должен быстро реагировать на изменения на финансовых рынках и принимать грамотные решения. Поэтому основополагающим вопросом, который предстоит исследовать в рамках данной работы, является вопрос о том, как принять верное инвестиционное решение на финансовом рынке. Чаще всего, при принятии решений об инвестиционных вложениях, большинство руководствуется практикой торговой интуиции. Если учесть, что подавляющее большинство участников рынка владеют знаниями анализа и, безусловно, могли бы иметь возможность прибыльно играть на бирже, то сложившаяся ситуация является парадоксальной. Тем более, что, принимая решение интуитивно, а не на основе продуктивного анализа, как показывает практика, большинство трейдеров остаются в минусе, то есть проигрывают.
Цены на акции представляют собой очень изменчивый временной ряд. На цены акций влияют различные факторы, такие как национальная политика, процентные ставки, обменные курсы, новости отрасли, инфляция, денежно-кредитная политика, временные события, настроения инвесторов и вмешательство человека. Предсказание цен акций на поверхности требует создания модели взаимосвязи между ценами акций, и они этими факторами. Хотя эти показатели временно изменят цену акции, по существу, отразятся на цене акции и не изменят долгосрочный тренд цены акции. Таким образом, цены на акции можно предсказать, просто используя исторические данные.
Прогнозирование цен на акции является сложной и значимой задачей для финансовых учреждений и частных инвесторов. Для эффективного снижения инвестиционных рисков и получения стабильной отдачи от инвестиций многие ученые выдвигают большое количество моделей прогнозирования. Быстрое развитие технологий приложений больших данных, особенно машинного и глубокого обучения в финансовой сфере, оказывает сильное влияние на инвесторов. Направления исследований включают низкочастотные данные и высокочастотные данные. Классические исследования в основном делятся на два вида методов: фундаментальный анализ и технический анализ.
С одной стороны, в техническом анализе люди широко используют математические статистические методы для анализа исторических тенденций цен на акции и прогнозирования последних цен на акции. В последние годы многие исследователи применяли различные алгоритмы машинного обучения для анализа и прогнозирования цен на акции, такие как нейронные сети, многоядерное обучение, пошаговый регрессионный анализ и глубокое обучение. Хотя многие алгоритмы достигли хороших результатов в определенных аспектах, существует множество проблем с конфигурациями параметров и выбором данных при использовании машинного обучения, которое по-прежнему является важной областью исследований. С другой стороны, в фундаментальном анализе, люди в основном используют обработку естественного языка для анализа финансовых новостей и финансовой отчетности компании, чтобы предсказать будущую тенденцию цен на акции.
На фондовом рынке используются различные стратегии поведения, которые, прежде всего, зависят от того, какие цели преследуются инвесторами. Так, те, для кого главной целью является получить высокий доход, активно стремятся получить дополнительные знания о перспективных тенденциях рынка. При этом они широко используют большой спектр инструментов для анализа рынка, что позволяет обеспечить высокую точность прогнозов, которая является актуальной для всех участников фондового рынка.
Степень разработанности темы исследования. Анализируя историю финансовых рынков, можно отметить, что на протяжении всего времени происходил поиск математических зависимостей во временных рядах котировок финансовых инструментов и технических индикаторов, которые формируются самой системой. Бурное развитие исследований в области анализа временных рядов открыло возможности строить прогнозы данных временных рядов. На первых этапах для этого использовались классические методы анализа статистических данных, а в дальнейшем нашли свое применение методы авторегрессионного анализа и адаптивные методы, которые основаны на скользящих средних.
Отметим, что многие ученые как отечественные, так и зарубежные, повялили свои изыскания изучению методов прогнозирования временных рядов. Так новаторскими в данном направлении стали работы таких зарубежных авторов как D.R. Brillinger, G.E.P. Box, C. Holt, P. Winters, G.M. Jenkins [76, 78, 77, 82]. В нашей стране исследование данных методов стало основным предметом изучения Ю.П. Лукашина, В.Н. Афанасьева, Г.Г. Канторовича и ряда других ученных [6, 30]. Отметим, что отдельные авторы, например, Осминин К.П. и Орлов Ю.Н., в своих работах исследовали составление прогнозов именно финансовых временных рядов [62, 65, 66].
Со временем стали активно развиваться методы распознания образов и методология нейронный сетей, что принципиальным образом изменило подходы к анализу финансовых рынков. Изучением методов распознания и разработкой методологических основ занимались F. Rosenblatt, G.E. Hinton, R.J. Williams, D.E. Rumelhart, T. Kohonen [72, 73, 74, 75]. Среди отечественных авторов, работающих над описанными методами и подходами, можно назвать А.И. Галушкина, А.Н. Горбаня, В.Л. Дунина-Барковского, Е.М. Миркеса и ряд других ученых-экономистов [64, 65, 66, 68, 69].
Разработанные теоретические основы способствовали провайдером для нейросетевого аппарата. Нейросетевой аппарат стал активно применяться в самых различных прикладных областях рыночной экономики, и рынок финансов не стал исключением. Вопросы практического применения нейросетевого аппарата освещены в трудах Д.-Э. Бэстенса, В.-М.ван ден Берга, А. А. Ежова, С.А. Шумского, В. И. Ширяева, В.Н. Бугорского, А.Г. Сергиенко [13, 14, 17, 24]..
Успешность использования машинного обучения при составлении прогнозов различных ценовых показателей на фондовом рынке были подтверждены практическими исследованиями различных специалистов. Так, Н.П Червотин, работая по теме «Применение метода комитетов к анализу технических индикаторов фондового рынка», эмпирическим способом подтвердил эффективность построения комитетных конструкций, используемых при прогнозировании стоимости финансовых инструментов, которые котируются на фондовых рынках.
Разработкой модели системы, которая осуществляет поддержку при принятии решений на финансовых рынках для предприятий на основе вероятностного анализа и машинного обучения занимались отечественные ученые Е. В. Синицын и А. В. Толмачев. В основе их модели лежит правило Байеса. Результатом работы специалистов стало подтверждение высокой эффективности, разработанной ими модели, которая обеспечивает высокую вероятность получения прибыли, превышающую возможные потери.
Изыскания Чоудри Р. и Гарг К. по теме «Гибридная система машинного обучения для прогнозирования фондового рынка» позволили определить степень эффективности модели, разработанной на базе SVM. Данная модель представляет собой совокупность - алгоритмов, которые позволяют спрогнозировать направления цен акций. При этом, данные алгоритмы имеют достаточно высокий попадания (с англ. «hit ratio»), составляющий 61,7328 %.
Необходимо отметить, что современная ситуация на финансовом рынке характеризуется усложнением математических инструментов, используемых для его анализа. Поэтому для трейдеров складывается ситуация, при которой кратно увеличивается количество различных индикаторов и показателей, необходимых для построения прогнозов. Кроме того, сложным становится и выявление какого-либо значимого критерия для отбора и обработки данных. Все это в совокупности очень осложняет принятие окончательного решения.
Именно совокупность данных факторов повлияли активное использование торговых роботов, особенно в последние несколько десятилетий. Их применение, позволяет, по заранее запрограммированным алгоритмам, провести анализ данных, которые помогают самостоятельно заключать сделки на финансовых рынках. При этом, участие трейдера на всех этапах проведения операций исключается. Однако, необходимо отметить, что торговые роботы не обеспечили ожидаемый эффект от их использования, так как не способны производить прогноз, учитывая психологические факторы рынка, как системы. Эти факторы способны анализировать лишь люди, так как именно они являются причинами этих психологических колебаний. Поэтому для обеспечения эффективности и прибыльности торгов на финансовых ранках важным является сочетание торговых роботов с трейдерами, где каждый выполняет свой функционал. Аналитические информационные системы обеспечивают анализ в непростых условиях разрозненной и неструктурированной информации о финансовых рынках. Трейдер в системе «анализ-торговля на финансовом рынке» выполняет функции по принятию решений (ЛИР - лицо, принимающее решения).
Возможности торговых советников и многофункциональных торговых систем используются для того, чтобы поддержать имеющиеся системы принятия решений. Это происходит, главным образом, на основании рекомендаций трейдеров по вхождению в сделку. При этом, трейдеры скрывают информацию о продолжительности сделки и о том, при достижении какой прибыли необходимо выйти из сделки. Кроме того, в данной ситуации не происходит учет рисков увеличения волатильности, которая может произойти из-за влияния самых различных факторов: макроэкономических показателей, экономических новостей и событий. Подобная ситуация является крайне сложной для прогнозирования прибыли и определения стратегии торговли, из -за большого количества факторов, которые необходимо учитывать при составлении прогноза и принятии решений.
Резюмируя вышесказанное, можно сделать вывод о том, что сложившееся противоречие является вполне объективным. В свете имеющихся методов и систем, осуществляющих поддержку при принятии решений, не представляется возможным их обработка посредством интеллектуального анализа данных. Однако это с легкостью проделывают нейронные сети.
Таким образом, основываясь на анализе тематической литературы, можно сделать следующие выводы. Использование нейросетевых моделей позволяет решать задачи, связанные с построением прогнозов, эффективно. Однако на современном этапе не существует универсального способа, который бы обеспечивал прогнозирование тенденций цен на акции. Исходя из этого, возникает необходимость в сравнении определенных моделей. При сравнении важным является определение критериев. Определим их так: нейросетевая модель должна быть эффективной для фондового рынка и иметь высокие показатели точности в сравнении с базовой LSTM моделью.
Проведенный обзор литературы позволяет сделать вывод о том, что нейросетевые модели являются эффективными инструментами для решения задачи прогнозирования, но на сегодняшний день нет четкого ответа на вопрос о том, существует ли универсальный алгоритм для предсказания ценовой динамики акций. Для того чтобы частично решить данную проблему, была поставлена цель провести сравнительный анализ различных нейросетевых моделей и выявить наилучший в условиях фондового рынка, а также сравнить его эффективность с показателями точности классической модели LSTM.
Объектом исследования является фондовый рынок.
Предмет исследования - метод прогнозирования стоимости акций с помощью использования нейронной сети.
Целью магистерской диссертации является разработка и программная реализация алгоритма предварительной обработки данных и последующего выполнения прогноза поведения финансовых временных рядов.
Для достижения поставленной цели выделены следующие задачи:
1. Провести обзорный анализ методов прогнозирования стоимости акций.
2. Провести анализ методов прогнозирования курсов акций на основе нейронных сетей и гибридных моделей.
3. Разработать гибридную модель нейронной сети и подобрать ее оптимальные параметры.
4. Выполнить программную реализацию описанных алгоритмов.
5. Протестировать разработанный алгоритм на разных временных рядах и сравнить результаты.
6. На основе созданной модели прогнозирования, разработать рекомендации по модификации модели для лучшего, по оценочным показателям, алгоритма с целью повышения ее эффективности.
Теоретические и методологические предпосылки исследования.
Коллективные базы знаний (Wikipedia, Google Trend), машинное обучение, развитие систем баз данных, наличие крупных площадок с API, занимающихся систематическим сбором и хранением информации (Finam, Google Finance, Yahoo finance, Nyse, Nasdaq) - все это эффективные инструменты для изучения вопроса о ценообразовании ценных бумаг.
Для достижения поставленных задач в работе использовались следующие методы:
- Получение и сбор данных по показателям торговых сессий активов на фондовых биржах при помощи библиотеки Investpy [91] на языке программирования Python версии 3.7.10;
- Предварительная обработка данных при помощи библиотек Pandas [88], NumPy [87] и Scikit-learn [89];
- Проведение экспериментов для подбора архитектуры и параметров моделей, позволяющих достичь наибольшей прогностической способности;
- Формирование прогнозов при помощи выбранных моделей с использованием библиотек Keras [81] и VmdPy [93];
- Оценка точности предсказаний посредством вычисления метрик MSE, MAPE и MDA в виде собственных функций с использованием библиотеки NumPy;
- Визуализация данных средствами библиотеки MatPlotLib [92];
- Использование блок-схем для рекомендаций по автоматизации алгоритма.
Разработка кода производилась посредством языков программирования Python.
Теоретическая и практическая значимость диссертации и использование полученных результатов.
Практическая ценность данной работы состоит в разработке наиболее точного метода прогнозирования цен акций, позволяющего строить лучшие инструменты для инвестирования и получать наибольшую прибыль при торговле на бирже.
Помимо этого, исследование обладает теоретической ценностью, так как позволит выделить наилучшую из принципиально разных типов моделей и, соответственно, определить наиболее перспективное направление для дальнейшего изучения методов прогнозирования финансовых временных рядов.
Научная новизна диссертации заключается в совершенствовании уже существующего метода прогнозирования доходности финансовых инструментов на фондовом рынке на основе моделей искусственных нейронных сетей.
Степень достоверности результатов. Достоверность теоретических результатов исследования подтверждена авторитетными зарубежными и отечественными исследованиями в данной области, отчетами и докладами авторитетных международных организаций. Достоверность практических результатов исследования подтверждена корректным использованием количественных методов исследований и статистических методов обработки полученных данных.
Апробация результатов исследования.
Основные положения и результаты диссертационной работы опубликовывались на XLIII Международной научно-практической конференции «Advances in Science and Technology» и на III международной научной конференции: Инновационные технологии, экономика и менеджмент в промышленности.
Структура и объем диссертационной работы. Объем диссертационной работы составляет 82 страницы, включая 28 рисунков и 3 таблицы. Работа состоит из введения, трёх глав, заключения, списка сокращений, списка использованных источников, включающего 93 наименования, в дополнение к работе приводятся 6 приложений.
В первой главе были рассмотрены содержание, участники, функции и структура фондового рынка, а также классические методы анализа фондового рынка.
Во второй главе выполнен детальный обзор выбранных методов прогнозирования цен акций и сравнительный анализ прогностической способности полученных моделей.
В третьей главе описаны сбор данных для исследования, предварительная обработка данных и обработка моделирования. Также в данной главе описаны экспериментальные результаты предложенного гибридной модели LSTM-Conv1D-Dense и анализируемые результаты имитационного эксперимента предложенной сложной модели для прогнозирования.
В заключении приведены основные результаты проведенного теоретического и экспериментального исследования.
В приложении представлены экспериментальные данные и исходный код некоторых алгоритмов работы интеллектуальной системы поддержки принятия решений.
✅ Заключение
Прогнозирование стоимости акций фондового рынка играет важную роль в отражении общих тенденций фондового рынка и имеет большую практическую инвестиционную ценность.
Таким образом, в результате выполнения работы была достигнута поставленная цель исследования: был проведен анализ методов прогнозирования котировок акций,
разработана гибридная нейросетевая модель и предложения по ее автоматизации. В процессе проведения исследования были выполнены все поставленные задачи.
В результате теоретического анализа проведен обзор существующих методов прогнозирования цен акций. Кроме того, произведен анализ принципов работы и особенностей прямых, рекуррентных и сверточных нейронных сетей, а также выделенных групп гибридных моделей и конкретных методов, выбранных для проведения экспериментальных исследований. Проведенный анализ позволил выявить тренд к усложнению методов прогнозирования и популярности исследований, посвященных новым видам гибридных моделей. Также выявлен пробел в области исследований, заключающийся в недостатке исследований, в которых сравниваются между собой различные типы гибридных моделей и нейронных сетей.
По ходу работы была создана гибридная модель LSTM-Conv1D-Dense для прогнозирования цен закрытия акций, реализующая архитектуру рекуррентной нейронной сети, построенной на элементах долгой краткосрочной памяти (LSTM), плотного слоя и одномерного сверточного слоя. Данная модель была выбрана из-за того, что датасет цен закрытия акций представляет собой временной ряд и необходимо регулярно обращаться к нему и учитывать долгосрочный контекст. Рекуррентная нейронная сеть с долгой краткосрочной памятью LSTM хорошо справляется с данной задачей. Программный комплекс был реализован с помощью открытой нейросетевой библиотеки Keras.
Увеличение количества LSTM-слоев привело к существенному улучшению прогноза; средняя ошибка прогноза уменьшилась с 0,3510 до 0,000965, что показывает эффективность предложенной модели. Однако, при данной процедуре следует учитывать архитектуру вычислительного оборудования, тaк как дальнейшее увеличение количества слоев может привести к ухудшению результатов. Было показано, что добавление дополнительного полносвязного слоя Dense перед выходным слоем может уменьшить ошибку прогноза сети, тем самым улучшая работу модели.
Для увеличения практической применимости результатов исследования также были разработаны рекомендации по автоматизации выбранного метода: предложен способ выгрузки данных, алгоритм дообучения модели на свежих данных, также предложен алгоритм построения прогноза на произвольное количество дней и общая схема автоматизации процесса прогнозирования.
Данное исследование может быть полезно как для управляющих компаний и инвестиционных департаментов, так и для частных инвесторов. Более того, предложенный способ автоматизации прогнозирования цен акций делает процесс принятия инвестиционных решений более доступным для любых пользователей, что может способствовать популяризации частных инвестиций, влияющих в свою очередь на экономическое развитие как отдельных регионов, так и всего мира. Дальнейшие исследования в рассмотренной области могут быть посвящены как сравнительному анализу эффективности не упомянутых в этой работе нейросетевых и гибридных методов прогнозирования, так и созданию новых гибридных моделей.
Таким образом, в результате выполнения работы была достигнута поставленная цель исследования: был проведен анализ методов прогнозирования котировок акций,
разработана гибридная нейросетевая модель и предложения по ее автоматизации. В процессе проведения исследования были выполнены все поставленные задачи.
В результате теоретического анализа проведен обзор существующих методов прогнозирования цен акций. Кроме того, произведен анализ принципов работы и особенностей прямых, рекуррентных и сверточных нейронных сетей, а также выделенных групп гибридных моделей и конкретных методов, выбранных для проведения экспериментальных исследований. Проведенный анализ позволил выявить тренд к усложнению методов прогнозирования и популярности исследований, посвященных новым видам гибридных моделей. Также выявлен пробел в области исследований, заключающийся в недостатке исследований, в которых сравниваются между собой различные типы гибридных моделей и нейронных сетей.
По ходу работы была создана гибридная модель LSTM-Conv1D-Dense для прогнозирования цен закрытия акций, реализующая архитектуру рекуррентной нейронной сети, построенной на элементах долгой краткосрочной памяти (LSTM), плотного слоя и одномерного сверточного слоя. Данная модель была выбрана из-за того, что датасет цен закрытия акций представляет собой временной ряд и необходимо регулярно обращаться к нему и учитывать долгосрочный контекст. Рекуррентная нейронная сеть с долгой краткосрочной памятью LSTM хорошо справляется с данной задачей. Программный комплекс был реализован с помощью открытой нейросетевой библиотеки Keras.
Увеличение количества LSTM-слоев привело к существенному улучшению прогноза; средняя ошибка прогноза уменьшилась с 0,3510 до 0,000965, что показывает эффективность предложенной модели. Однако, при данной процедуре следует учитывать архитектуру вычислительного оборудования, тaк как дальнейшее увеличение количества слоев может привести к ухудшению результатов. Было показано, что добавление дополнительного полносвязного слоя Dense перед выходным слоем может уменьшить ошибку прогноза сети, тем самым улучшая работу модели.
Для увеличения практической применимости результатов исследования также были разработаны рекомендации по автоматизации выбранного метода: предложен способ выгрузки данных, алгоритм дообучения модели на свежих данных, также предложен алгоритм построения прогноза на произвольное количество дней и общая схема автоматизации процесса прогнозирования.
Данное исследование может быть полезно как для управляющих компаний и инвестиционных департаментов, так и для частных инвесторов. Более того, предложенный способ автоматизации прогнозирования цен акций делает процесс принятия инвестиционных решений более доступным для любых пользователей, что может способствовать популяризации частных инвестиций, влияющих в свою очередь на экономическое развитие как отдельных регионов, так и всего мира. Дальнейшие исследования в рассмотренной области могут быть посвящены как сравнительному анализу эффективности не упомянутых в этой работе нейросетевых и гибридных методов прогнозирования, так и созданию новых гибридных моделей.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.