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
Российский биотехнологический университет (РОСБИОТЕХ)
г. 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
Финансовый университет при Правительстве Российской Федерации
Москва, Российская Федерация Медведев Александр Валерьевич
Российский биотехнологический университет (РОСБИОТЕХ)
г. 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
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.
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.
Статьи по теме
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей (специальность 2.3.5) Страницы: 26-35 DOI: 10.33693/2313-223X-2023-10-2-26-35 Выпуск №23034
Анализ алгоритмов составляющих частей компилятора и его оптимизации
компилятор
программный код
оптимизация
алгоритм
анализ
Подробнее
Многомасштабное моделирование для управления и обработки информации Страницы: 11-20 DOI: 10.33693/2313-223X-2022-9-2-11-20 Выпуск №21224
Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
управление катастрофами
предсказание паводков
река Амур
машинное обучение
disaster management
Подробнее
МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 167-178 Выпуск №24067
Моделирование товарооборота кофеен на основе пространственных данных
пространственные данные
экономические показатели
машинное обучение
Python.
spatial data
Подробнее
05.13.18 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЧИСЛЕННЫЕ МЕТОДЫ И КОМПЛЕКСЫ ПРОГРАММ Страницы: 57-62 DOI: 10.3369 3/2313- 223X - 2019 - 6- 2- 57- 62 Выпуск №15585
МЕТОДИКА СОЗДАНИЯ ДИНАМИЧЕСКОЙ МАТЕМАТИЧЕСКОЙ МОДЕЛИ СИСТЕМЫ ЭЛЕКТРОСНАБЖЕНИЯ (СЭС) ПЕРЕМЕННОГО ТОКА ПЕРСПЕКТИВНОГО ДАЛЬНЕМАГИСТРАЛЬНОГО ПАССАЖИРСКОГО САМОЛЕТА В ПРОГРАММНОМ КОМПЛЕКСЕ SIMINTECH
математическая модель
система электроснабжения самолета
дальнемагистральный пассажирский самолет
Подробнее
5. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ Страницы: 74-78 Выпуск №5869
Имитационные экспериментальные исследования величины съема металла от режимов гидроабразивной обработки с использованием информационных технологий
имитационное моделирование
гидроабразивная резка
статистический анализ
объектно-ориентированное программирование
абразив
Подробнее
4. ФОРУМ ПРОЕКТОВ МОЛОДЫХ УЧЕНЫХ И ПРЕПОДАВАТЕЛЕЙ В ОБЛАСТИ IT-ТЕХНОЛОГИЙ Страницы: 55-61 Выпуск №5121
РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ И ОПТИМАЛЬНОЙ НАСТРОЙКИ ГИДРОАБРАЗИВНЫХ СТАНКОВ С ЧИСЛОВЫМ ПРОГРАММНЫМ УПРАВЛЕНИЕМ
имитационное моделирование
гидроабразивная резка
статистический анализ
объектно-ориентированное программирование
абразив
Подробнее
Интеллектуальные технические системы в производстве и промышленной практике Страницы: 76-85 DOI: 10.33693/2313-223X-2021-8-3-76-85 Выпуск №19706
Модель и алгоритм управления рисками гибели пожарных при тушении пожаров на металлургических предприятиях
пожар
управление
риск
гибель
пожарный
Подробнее
05.13.18 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЧИСЛЕННЫЕ МЕТОДЫ И КОМПЛЕКСЫ ПРОГРАММ Страницы: 63-70 DOI: 10.3369 3/2313- 223X - 2019 - 6- 2- 63- 70 Выпуск №15585
МОДЕЛИРОВАНИЕ ОТКАЗОВ СИСТЕМЫ ЭЛЕКТРОСНАБЖЕНИЯ (СЭС) ПЕРЕМЕННОГО ТОКА ДАЛЬНЕМАГИСТРАЛЬНОГО ПАССАЖИРСКОГО САМОЛЕТА В ПРОГРАММНОМ КОМПЛЕКСЕ SIMINTECH
математическая модель
система электроснабжения самолета
дальнемагистральный пассажирский самолет
Подробнее
3. ФИНАНСЫ, ДЕНЕЖНОЕ ОБРАЩЕНИЕ И КРЕДИТ (СПЕЦИАЛЬНОСТЬ 08.00.10) Страницы: 76-79 Выпуск №14395
ОСОБЕННОСТИ ФОРМИРОВАНИЯ АЛГОРИТМОВ СУДЕБНО-ЭКОНОМИЧЕСКОЙ ЭКСПЕРТИЗЫ ДЛЯ ОПРЕДЕЛЕНИЯ СПРАВЕДЛИВОЙ И ЛИКВИДАЦИОННОЙ СТОИМОСТИ ЗАКЛАДНОЙ В СЛУЧАЯХ ОБРАЩЕНИЯ НА НЕЁ ВЗЫСКАНИЯ
залоговое кредитование
закладная
недвижимость
непрофильный актив
справедливая стоимость
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 132-138 Выпуск №17852
Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга
кредитный скоринг
машинное обучение
отбор признаков
ансамбль моделей
credit scoring
Подробнее