Прогнозирование финансовых рынков с использованием сверточной нейронной сети
(Стр. 65-72)

Подробнее об авторах
Городецкая Ольга Юрьевна кандидат экономических наук, доцент, доцент департамента анализа данных и машинного обучения
Финансовый университет при Правительстве Российской Федерации
Москва, Российская Федерация Медведев Александр Валерьевич канд. экон. наук, доцент Департамента анализа данных и машинного обучения
Финансовый университет при Правительстве Российской Федерации
Москва, Российская Федерация Гобарева Яна Львовна кандидат экономических наук, доцент; доцент департамента анализа данных и машинного обучения
Финансовый университет при Правительстве Российской Федерации
Москва, Российская Федерация
Чтобы читать текст статьи, пожалуйста, зарегистрируйтесь или войдите в систему
Аннотация:
Задача. В современном мире, связанном, в частности, с развитием высоких технологий получают развитие новые, ранее не применяемые инструменты анализа больших данных, использование которых захватило и сферу финансовых рынков. Для прогнозирования движения цен на финансовых рынках стали успешно применяться нейронные сети, которые в отличие от других алгоритмов не программируются, а самообучаются. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными и на их основе прогнозировать новые данные. В статье рассматривается один из способов применения нейронных сетей для прогнозирования финансовых рынков, в частности, разработка математической модели для сверточной нейронной сети, используемой для распознавания состояния финансового рынка и предсказания будущих моментов смены тенденции. В целом разработанная математическая модель и алгоритм машинного обучения для прогнозирования состояний финансового рынка на основе сверточной нейронной сети являются рабочими, хотя и требующими дополнительной доработки. Повышение точности предсказаний описываемых моделей является основным направлением дальнейших исследований. Модель. Наряду с традиционными методиками прогнозирования (фундаментальный анализ и технический анализ) в статье особо выделяются методы интеллектуального анализа данных, наиболее известным среди которых является метод с использованием нейронных сетей. Выводы. Полученные авторами результаты говорят о высоком потенциале использования данной технологии. Однако процесс обучения нейронных сетей довольно затратный как по вычислительным ресурсам, так и по времени. Отметим, что данное исследование только один из шагов к построению эффективного инструмента прогнозирования фондового рынка. Практическое значение. Практическая важность исследования заключается в идентификации оптимальных моментов открытия позиции - покупки активов на восходящем тренде и их реализации на нисходящем тренде, которые для максимизации прибыли инвестора следует совершать как можно ближе к моменту очередной смены положения рынка.
Образец цитирования:
Городецкая О.Ю., Медведев А.В., Гобарева Я.Л., (2021), ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ РЫНКОВ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ. Проблемы экономики и юридической практики, 3: 65-72.
Список литературы:
Khan, A., Sohail, A., Zahoora, U., Qureshi, A.S.: A Survey of the Recent Architectures of Deep Convolutional Neural Networks. Artif. Intell. Rev. 53, 5455-5516 (2019). https://doi.org/10.1007/s10462-020-09825-6.
Wu, Y., Zhang, Y.: Mixing Deep Visual and Textual Features for Image Regression BT - Intelligent Systems and Applications. Presented at the (2021).
Koumarelas, I., Jiang, L., Naumann, F.: Data Preparation for Duplicate Detection. J. Data Inf. Qual. 12, (2020). https://doi.org/10.1145/3377878.
Welcome to Python.org.
Chowdhury, I., Moeid, A., Hoque, E., Kabir, M.A., Hossain, M.S., Islam, M.M.: Designing and Evaluating Multimodal Interactions for Facilitating Visual Analysis With Dashboards. IEEE Access. 9, 60-71 (2021). https://doi.org/10.1109/ACCESS.2020.3046623.
ur Rehman, M.H., Liew, C.S., Abbas, A., Jayaraman, P.P., Wah, T.Y., Khan, S.U.: Big Data Reduction Methods: A Survey. Data Sci. Eng. 1, 265-284 (2016). https://doi.org/10.1007/s41019-016-0022-0.
pandas - Python Data Analysis Library, https://pandas.pydata.org/, last accessed 2021/01/20.
NumPy, https://numpy.org/, last accessed 2021/01/20.
os - Miscellaneous operating system interfaces - Python 3.9.1 documentation, https://docs.python.org/3/library /os.html, last accessed 2021/01/20.
Adadi, A., Berrada, M.: Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access. 6, 52138-52160 (2018). https://doi.org/10.1109/ACCESS.2018.2870052.
Gong, Y., Wang, L., Guo, R., Lazebnik, S.: Multi-scale Orderless Pooling of Deep Convolutional Activation Features BT - Computer Vision - ECCV 2014. Presented at the (2014).
Zeiler, M.D., Fergus, R.: Visualizing and understanding convolutional networks. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). pp. 818-833. Springer Verlag (2014). https://doi.org/10.1007/978-3-319-10590-1_53.
Lee, J.H., Wagstaff, K.L.: Visualizing image content to explain novel image discovery. Data Min. Knowl. Discov. 34, 1777-1804 (2020). https://doi.org/10.1007/s10618-020-00700-0.
Geng, Q., Zhou, Z., Cao, X.: Survey of recent progress in semantic image segmentation with CNNs. Sci. China Inf. Sci. 61, 51101 (2017). https://doi.org/10.1007/s11432-017-9189-6.
Microsoft Cognitive Toolkit - Cognitive Toolkit - CNTK | Документы Microsoft.
TensorFlow.
Caffe | Deep Learning Framework.
Ключевые слова:
прогнозирование финансовых рынков, машинное обучение, сверточная нейронная сеть, математическая модель, алгоритм.