Научная статья «Stock Prices Prediction using Deep Learning Models» написана коллективом авторов Jialin Liu, Fei Chao, Yu-Chen Lin, и Chih-Min Lin и посвящена прогнозированию цен акций с использованием моделей глубокого обучения.
Авторы поставили перед собой задачу повышения точности прогнозирования, учитывая высокую шумность и нелинейность временных рядов цен акций. Для решения этой проблемы предлагается гибридная модель, сочетающая в себе разреженные автокодировщики с одномерными остаточными сверточными сетями (1-D ResNet) для деноизинга данных и рекуррентные нейронные сети LSTM для прогнозирования временных рядов.
Временные рамки исследования охватывают период с 1 июля 2008 года по 30 сентября 2016 года. Географический охват включает несколько ключевых фондовых индексов: CSI 300, DJIA, Hang Seng, Nifty 50, Nikkei 225 и S&P 500. Авторы сравнивают свою модель с существующими подходами, основанными на вейвлет-преобразованиях и стохастических автокодировщиках (WSAEs), демонстрируя преимущества предложенного метода.
Рис. 1: Титульный лист статьи
Ключевые аспекты
Предлагается гибридная модель для прогнозирования цен акций, состоящая из 1-D ResNet автокодировщика для деноизинга и LSTM для прогнозирования. 1-D ResNet автокодировщик показал лучшие результаты в деноизинге данных по сравнению с моделью, сочетающей вейвлет-преобразования и стохастические автокодировщики (WSAEs).
Проведено сравнение прогнозирования абсолютных значений цен акций и темпов их изменения (price rate of change). Прогнозирование темпов изменения показало более высокую точность.
В качестве входных данных использовались три набора признаков: данные о торговле (цена открытия, закрытия, максимум, минимум, объем), технические индикаторы (MACD, CCI, ATR, BOLL, MA5/MA10, MTM6/MTM12, ROC, SMI, WVAD) и макроэкономические переменные (индекс доллара США и межбанковская ставка).
Для оценки точности модели использовались три метрики: средняя абсолютная процентная ошибка (MAPE), коэффициент корреляции Пирсона (R) и коэффициент неопределенности Тейла (Theil U).
Данные были разделены на 6 годовых интервалов (с 1 октября по 30 сентября каждого года) для обучения и тестирования моделей, исключая возможность использования будущих данных для прогнозирования.
Эксперименты показали, что предложенная модель (C1D-ROC, прогнозирующая темпы изменения цен) превосходит по точности как WSAEs-LSTM, так и C1D-LSTM (прогнозирующая абсолютные цены). Результаты визуализированы в виде графиков, демонстрирующих более тесное соответствие кривой прогноза C1D-ROC фактическим ценам по сравнению с C1D-LSTM.
Авторы отмечают, что использование темпов изменения цен в качестве целевой переменной (C1D-ROC) позволяет более эффективно использовать информацию о текущей цене, что повышает точность прогноза.
Полезность
Что хорошо раскрыто в этой статье:
- Подробное описание предложенной модели, включая архитектуру 1-D ResNet автокодировщика и LSTM;
- Тщательное описание экспериментальной установки, включая выбор данных, признаков и метрик оценки;
- Ясное представление результатов эксперимента, включая таблицы с количественными показателями и графики, иллюстрирующие динамику прогнозов.
Что плохо раскрыто:
- Отсутствует подробное обоснование выбора гиперпараметров модели (например, параметров разреженности автокодировщика, количества слоев и нейронов в LSTM);
- Недостаточно внимания уделено обсуждению ограничений модели и потенциальных направлений дальнейшего исследования;
- Некоторые аспекты предобработки данных описаны недостаточно подробно (например, методы нормализации).
Заключение
Статья Stock Prices Prediction using Deep Learning Models представляет ценный вклад в область прогнозирования цен акций с использованием глубокого обучения. Авторы демонстрируют эффективность предложенной гибридной модели, сочетающей деноизинг с помощью 1-D ResNet автокодировщиков и прогнозирование с помощью LSTM.
Ключевым инсайтом является то, что прогнозирование темпов изменения цен оказывается более точным, чем прямое прогнозирование абсолютных значений. Это связано с более эффективным использованием информации о текущей цене в модели C1D-ROC.
Практическая ценность работы заключается в предложении улучшенного метода прогнозирования цен акций, который может быть использован в алгоритмах автоматической торговли и принятия инвестиционных решений. Однако, для практического применения необходимо более детальное исследование влияния гиперпараметров и учет ограничений модели, связанных с потенциальной нестационарностью рыночных данных и влиянием непредвиденных событий.
Прочитать оригинал статьи можно по ссылке: https://arxiv.org/pdf/1909.12227v1