Анализ краткосрочных финансовых временных рядов с помощью нейронных сетей долгой краткосрочной памяти
(Стр. 98-107)

В данной статье рассматривается процесс создания нейронной сети долгой краткосрочной памяти для анализа и прогнозирования высокочастотных финансовых временных рядов. Цель исследования заключается в разработке инструментария для моделирования высокочастотных финансовых временных рядов, который также мог бы использоваться в качестве средства поддержки принятия решений при торговле на фондовом рынке. В начале работы формируется база исследования, представленная 1-минутными ценами фондовых индексов. Затем описываются основные группы моделей, используемых для работы с такими временными рядами. В группе моделей искусственного интеллекта выделены нейронные сети долгой краткосрочной памяти, указаны их преимущества над моделями других групп. Далее приводится инструкция по созданию нейронной сети долгой краткосрочной памяти и происходит оценка ее параметров на обучающих подвыборках доходностей фондовых индексов, а также выполняется проверка качества ее работы на тестовых подвыборках. Также с помощью нейронной сети делается прогноз будущих знаков доходности каждого индекса на 90 минут вперед. В завершении работы формулируется торговая стратегия, представляющая собой комбинацию оцененной модели нейронной сети и автоматической торговой системы. Данная стратегия проходит апробацию на рядах доходностей, ранее не использовавшихся на фазах обучения или тестирования. Работа завершается анализом полученных финансовых результатов торговли. Сделаны выводы, отражающие неодинаковые результаты моделирования данных, обратную зависимость между волатильностью индекса и точностью его моделирования на данных из тестовой подвыборки, а также обратную зависимость между волатильностью индекса и точностью прогнозирования его будущих значений.

Лабусов М.В., (2021), АНАЛИЗ КРАТКОСРОЧНЫХ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ ДОЛГОЙ КРАТКОСРОЧНОЙ ПАМЯТИ. Проблемы экономики и юридической практики, 3 => 98-107.

Побединский А. В. Автоматические торговые системы на рынке ценных бумаг. Диссертация на соискание степени кандидата экономических наук по специальности ВАК 08.00.13. Москва, 2008. 141 с.
Розенблатт Ф. Принципы нейродинамики: перцептроны и теория механизмов мозга. М.: Мир, 1965. 480 с.
Сайт группы Всемирного банка (репозиторий): https://data.worldbank.org (дата обращения: 18.05.2021).
Информационно - аналитическая система «Bloomberg»(Bloomberg Terminal). (дата обращения: 17.05.2021).
Alexander I., Morton H. An Introduction to neural computing. Chapman and Hall, London, 1990. 288 p.
Alonso-Monsalve, S., Suarez-Cetrulo, A., Cervantes, A., Quintana, D. Convolution on Neural Networks for High-frequency Trend Prediction of Cryptocurrency Exchange Rates using Technical Indicators // Expert Systems with Applications. 2020. №149. p. 1 - 11.
Baker M., Wurgler J. Investor Sentiment in the stock market // Journal of Economic Perspectives.Vol.21. №2. Spring 2007. pp. 129 - 152.
Cont R. Empirical properties of asset returns: stylized facts and statistical issues // Quantitative Finance. №.1. 2001. pp. 223 - 236.
Davidson W., Worrell D.L. The impact of announcements of corporate illegalities on shareholders returns // The Academy of Management Journal. Vol.31. №1. March 1988. pp. 195 - 200.
Fama E. Efficient capital markets: a review of theory and empirical work // Journal of Finance. - vol.25, issue 2, papers and proceedings of the twenty - eights annual meeting of the American finance association. New York, December 28-30.1969 (May 1970). pp. 383 - 417.
Grossman S.J., Stieglitz J.E. On the impossibility of informationally efficient markets // The American Economic Review. Vol.70. №3. 1980. pp. 393 - 408.
Heston S.L. A closed-form solution for options with stochastic volatility with applications to bond and currency options // The Review of Financial Studies. Vol.6. №2. 1993. pp. 327 - 343.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. Vol.9. №8. 1997. pp. 1735 - 1780.
Kabasinskas A., Sakalauskas L., Sun E., Belovas I. Mixed - stable models for analyzing high - frequency financial data // Journal of Computational Analysis and Applications. Vol.14. №7. 2012. pp. 1210 - 1226.
Zimmermann H. G., Grothmann, R., Neuneier, R. Multi-agent FX-market modeling by neural networks. In Operations Research Proceedings 2001. Berlin, Springer. 2002. pp. 413 - 420.

высокочастотные финансовые данные, автоматическая торговая система, искусственный интеллект, нейронная сеть долгой краткосрочной памяти, фондовый индекс.