ДОСЛІДЖЕННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ ВАРТОСТІ АКЦІЙ КОМПАНІЙ У НЕСТАБІЛЬНІЙ ЕКОНОМІЦІ
DOI:
https://doi.org/10.20998/2079-0023.2022.02.03Ключові слова:
прогнозування, інвестиції, нейронна мережа, довготривала пам’ять, згорткова нейронна мережа, гібридна модель, варіаційна декомпозиція, глибоке навчанняАнотація
Дані дослідження присвячені аналізу і вибору нейронних мереж різної архітектури та гібридних моделей, до яких включені нейронні мережі, для прогнозування ринкової вартості акцій на фондовому ринку країни, яка перебуває у процесі нестабільного розвитку. Аналіз та прогнозування таких фондових ринків не може бути проведено з використанням класичних методів. Актуальність теми дослідження зумовлена необхідністю розробки програмних систем, які реалізують алгоритмічне забезпечення прогнозування ринкової вартості акцій в Україні. Впровадження таких програмних систем до контуру прийняття інвестиційних рішень у компаніях, які зацікавлені у підвищенні інформаційної прозорості фондового ринку України, дасть можливість покращити прогнози щодо ринкової вартості акцій. Це у свою чергу сприятиме покращенню інвестиційного клімату та забезпечить зростання інвестування в українську економіку. Проведено аналіз результатів існуючих досліджень щодо використання нейронних мереж та інших методів обчислювального інтелекту для моделювання поведінки учасників фондового ринку та прогнозування ринку. У статті надано результати дослідження щодо використання нейронних мереж різної архітектури для прогнозування ринкової вартості акцій на фондових ринках України. Для прогнозування було обрано чотири акції Української фондової біржі: Центренерго (CEEN); Укртелеком (UTLM); Крюківський Вагонобудівний Завод ПАТ (KVBZ); Райффайзен Банк Аваль (BAVL). Для експериментального дослідження були обрані такі моделі: довга короткострокова пам’ять LSTM; згорткова нейронна мережа CNN; гібридна модель, яка поєднує дві нейронної мережі CNN і LSTM; гібридна модель, що складається з алгоритму декомпозиції варіаційного режиму та нейронної мережі довгострокової пам’яті (VMD-LSTM); гібридна модель VMD-CNN-LSTM глибокого навчання на основі варіаційного режиму (VMD) та двох нейронних мереж. Розраховано оцінки якості прогнозу за різними метриками. Зроблено висновок, що використання гібридної моделі VMD-CNN-LSTM дає мінімальну помилку прогнозування ринкової вартості акцій українських підприємств. Також доцільно використовувати модель VMD-LSTM для прогнозування на біржах країн з нестабільною економікою.
Посилання
Moskalenko V., Fonta N., Nikulina O., Grinchenko M., Ershova S. Information technology of determination the company's financial condition for the financial planning subsystem of the EPM system. Radioelectronic and Computer Systems. 2022, vol. 2, pp. 83–96.
Moskalenko V., Santalova A., Fonta N., Nikulina E. The value of shares prediction in an unstable economy using neural networks. CEUR Workshop Proceedings. 2022, vol. 3171, pp. 1202–1215.
Chopra R. G., Sharma D. Application of Artificial Intelligence in Stock Market Forecasting: A Critique, Review, and Research Agenda. Journal of Risk and Financial Management. 2021, vol. 14(11).
Yan Y., Yang D. A Stock Trend Forecast Algorithm Based on Deep Neural Networks. Wireless Communications and Mobile Computing. 2021, vol. 7, pp. 1–10.
Oh J. Development of a stock trading system based on a neural network using highly volatile stock price patterns. Peer J Computer Science. 2022. Available at: https://doi.org/10.7717/peerj-cs.915. (accessed 20.11.2022).
Zhong X., Enke D. Predicting the daily return direction of the stock market using hybrid machine learning algorithms. Financial Innovation. 2019, vol. 5(1), pp. 1–20.
Ji X., Wang J., Yan Z. A stock price prediction method based on deep learning technology. International Journal of Crowd Science. 2021, vol. 5 (1), pp. 55–72.
Rossi A. G. Predicting Stock Market Returns with Machine Learning. 2022. Available at: https://neptune.ai/blog/predicting-stock-pricesusing-machine-learning (accessed 20.11.2022).
Chen S., He H. Stock prediction using convolutional neural network. IOP Conference series: materials science and engineering. 2018, vol. 435, pp. 012026.
Amaury H-Á., García-Valdez M., Merelo-Guervós J. J., CastañónPuga M., López O. C. Using Fuzzy Inference Systems for the Creation of Forex Market Predictive Models, IEEE Access. 2021, vol. 9, pp. 69391–69404.
Ding Y., Sun N., Xu J., Li pp., Wu J., Tang S. Research on Shanghai Stock Exchange 50 Index Forecast Based on Deep Learning. Mathematical Problems in Engineering. 2022,vol. 2022, article ID 1367920.
Narayana C., Naik P. J., Mythili G.Y., Vasu K., Rayalu M. G. Application of Neural Networks in Forecasting Methods. Іnternational Journal for Research in Applied Science & Engineering Technology (IJRASET). 2017. vol. 5. pp. 1926-1930.
Bui V, Le N.T, Nguyen V.H, Kim J, Jang Y.M. Multi-Behavior with Bottleneck Features LSTM for Load Forecasting in Building Energy Management System. Electronics. 2021, vol. 10(9).
Le X.H., Ho H. V., Lee G., Jung S. Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting. Water. 2019. vol. 11 (7) DOI: 10.3390/w11071387.
Yuan X., Li L., Wang Y. Nonlinear dynamic soft sensor modeling with supervised long short-term memory network. IEEE transactions on industrial informatics. 2019, vol. 16, pp. 3168–3176.
Chen S., He H. Stock prediction using convolutional neural network. IOP Conference series: materials science and engineering. IOP Publishing, 2018, vol. 435 (1), pp. 012–026.
Wu J. M. T. et al. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators. Multimedia Systems. 2021. Available at: https://link.springer.com/article/10.1007/s00530-021- 00758-w (accessed20.11.2022).
Niu H., Xu K., Wang W. A hybrid stock price index forecasting model based on variational mode decomposition and LSTM network. Applied Intelligence. 2020, vol. 50 (12), pp. 4296–4309.
Zhang G., Ren T., Yang Y. A New Unified Deep Learning Approach with Decomposition-Reconstruction-Ensemble Framework for Time Series Forecasting. 2020. Available at: https://arxiv.org/abs/2002.09695. (accessed 20.11.2022)
Moskalenko V., Fonta N. The method of constructing a development trajectory as the basis of an intelligent module for strategic planning of the EPM system. CEUR Workshop Proceedings. 2021, vol. 2870, pp. 1540–1550.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
