Прогнозирование временных рядов финансовых данных с использованием методов глубокого обучения

ВВЕДЕНИЕ 5
1 АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ФИНАНСОВЫХ ДАННЫХ 8
1.1 Описание предметной области 8
1.2 Обзор методов прогнозирования временных рядов 11
1.2.1 Временной ряд и его характеристики 11
1.2.2 Методы прогнозирования временных рядов 12
1.2.3 Сравнительный анализ моделей прогнозирования 15
1.3 Подготовка и анализ данных 16
1.3.1 Подготовка данных 16
1.3.2 Анализ данных 19
1.3.3 Метод Дики Фуллера 20
1.3.4 Анализ сезонности 21
1.4 Обзор существующих программных решений 23
1.4.1 GMDH Shell 23
1.4.2 CaterpillarSSA 24
1.4.3 Statistica 26
STATISTICA 9. 26
1.4.4 SPSS 27
1.4.5 Tableau 30
1.4.6 Сравнение программных решений 31
1.5 Выводы по главе 32
2 РЕАЛИЗАЦИЯ АЛГОРИТМОВ НЕЙРОННОЙ СЕТИ 33
2.1 Описание наборов данных 33
2.1.1 Этапы преобразования 37
2.2 Описание архитектуры сети 37
2.2.1 Оценочные метрики 37
2.2.3 Архитектура GRU 41
2.2.3 Сравнение результатов 44
2.3 Используемые технологии 45
2.4 Технология обучения нейронной сети 46
2.5 Выводы по главе 46
3. РАЗРАБОТКА ПРОГРАММНОГО ПРОДУКТА 48
3.1 Структура приложения прогнозирования котировок 48
3.2 Алгоритмическая реализация 51
3.3 Руководство программиста 53
3.4 Руководство пользователя 56
3.5 Экспериментальные результаты и тестирование приложения 58
3.7 Выводы по главе 65
ЗАКЛЮЧЕНИЕ 66
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 68

Весь текст будет доступен после покупки

Актуальность. Существует множество вариантов для инвестирования с использованием обширной палитры инструментов. Принято считать классиче-скими следующие способы инвестиций: банковские депозиты, недвижимость и акции компаний. Наиболее известными в массах являются три типа финансо-вых рынков: фондовый (акции); валютный; товарно-сырьевой (нефть, драго-ценные металлы, сельхозпродукты). Самым волатильным из перечисленных является фондовый рынок. Положительная динамика роста торгов предоставляет огромные перспективы участникам рынка для формирования стратегии инвестиций и различных торговых операций, основным «мотивом» которых является получение прибыли. Таким образом, спекулятивные операции, совершаемые для извлечения прибыли, составляют более 80% всех операций, осуществляемых на рынке. Прогнозирование котировок временных рядов финансовых данных играет важную роль в принятии управленческих решений в сфере трейдинга и инвестиций. Правильный прогноз курса акций позволяет инвестору разрабатывать эффективные стратегии и снизить риски.
Актуальность темы магистерской диссертации обусловлена возрастанием роли прогнозирования временных рядов финансовых данных и необходимостью внедрения новых подходов и методов моделирования. В торговых операциях фондового рынка необходима скорость и точность, которые позволят получить выгоды в виде прибыли от разницы котировок акций. Применение модернизированных эконометрических моделей и искусственных нейронных сетей при прогнозировании являются непростой задачей. Используемые эконометрические модели по анализу и прогнозирования котировок временного ряда постепенно отодвигаются на «второй план».
В последнее время, у аналитиков вызывают интерес искусственные нейронные сети. Способности нейронной сети к точному прогнозу напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее ценовое значение на основе нескольких предыдущих значений. Повышение точности прогноза котировки возможно благодаря применению сложной математической методологии применяемой в основе структуры нейронной сети. Формирование значения котировок осуществляется на основе урегулирования на фондовом рынке спроса и предложения под воздействием огромного множества факторов, носящих структурный, конъюнктурный, политический, экономический, правовой и психологический характер и воздействующих на рыночный курс рубля прямо и косвенно.

Весь текст будет доступен после покупки

1 АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ФИНАНСОВЫХ ДАННЫХ
В главе раскрываются теоретические основы применения методов про-гнозирования финансовых данных, рассматривается понятие, структуры дан-ных и архитектуры ИНС. Далее в главе осуществляется обзор подходов прогнозирования и специфика проблемы прогнозирования, решаемые с помощью применения различных методик. Дается определение временного ряда и рассматриваются его различные характеристики. Также производится сравнение данных методов и ПО, используемого для прогнозирования временных рядов.
1.1 Описание предметной области
Прогнозирование котировок акций, безусловно, является трудоёмкой задачей, так как на котировку влияет множество как экономических, так и социальных и политических факторов. Также акции могут иметь довольно тесную корреляцию между собой, что так же обусловлено внешними факторами.
Данные задачи состоят в свою очередь из множества подзадач, что во многом усложняет первостепенную цель. Однако, при системном подходе к вопросу, время на решение подобной задачи сокращается. Для решения вопроса трудоемкости задачи, её необходимо формализовать, т.е. разработать методику прогнозирования для конкретного вида задачи, использование которой в типовых задачах в дальнейшем способно сократить время на получение результата.
Под процессом прогнозирования понимается специфическое научное ис-следование определенной перспективы развития процесса. Процессы, перспек-тивы которых нуждаются в предсказании, как правило, описываются посред-ством временных рядов, иными словами последовательностью значений опре-деленных величин за конкретный момент времени. Временной ряд определяется двумя обязательными элементами, а именно временной отметкой и значением элемента ряда, который получен каким-либо способом и соответствует данной отметке времени. Любой временной ряд должен рассматриваться как выборочная реализация из бесконечного множества популяций, полученных в результате стохастического процесса, на который влияют большое количество факторов.

Весь текст будет доступен после покупки

1. Кацко, И.А. Практикум по анализу данных. Под ред. Г.В.Гореловой. – М.: КолосС, 2019. – 278с.
2. Берестнева О. Г., Муратова Е. А. Построение логических моделей //Известия Томского политехнического университета. Инжиниринг георе- сурсов. – 2008. – Т. 307. – №. 2.
3. Видмант О. С. Прогнозирование финансовых временных рядов с использованием рекуррентных нейронных сетей LSTM //Общество: политика, экономика, право. – 2018.
4. Газизов Д. И. Обзор методов статистического анализа временных рядов и проблемы, возникающие при анализе нестационарных временных рядов //Научный журнал. – 2019. – №. 3 (4).
5. Демидова Л. А., Соколова Ю. С. Аспекты применения LSTM //Вестник Рязанского государственного радиотехнического университета. – 2020. – №. 53. – С. 84.
6. Джеймс Г. и др. Введение в статистическое обучение с примерами на языке Python/Пер. с англ //СЭ Мастицкого. М.: ДМК Пресс. – 2018.
7. Носов В. В., Цыпин А. П. Моделирование влияния факторов на ВРП на основе искусственных нейронных сетей //Ученый XXI века. – 2019. – №. 1. – С. 14.
8. Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. – СПб.: Питер, 2019 – С.81 – 105
9. Огнев Г. Г., Щетинин Е. Ю. Исследование глубоких нейронных сетей с LSTM архитектурой для прогнозирования финансовых временных рядов.
10. Осколкова М. А., Паршаков П. А. Возможности прогнозирования динамики фондового индекса s&p 500 с помощью нейросетевых и регрессионных моделей //Программные про- дукты и системы. – 2019. – №. 4.
11. Горбань, А.Н. Нейроинформатика / Горбань А.Н., ДунинБарковский В.Л., Кирдин А.Н. и др. – Новосибирск: Наука. Сибирское предприятие РАН, 2006. – 296 с.
12. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев – Новосибирск: Наука, 1996. – 276 с.
13. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань // М.: СССР-США СП "ПараГраф", 2005. – 160 с.
14. Канторович, Г.Г. Анализ временных рядов: Лекционные и методические материалы. Лекции № 1-4 / Г.Г. Канторович // Экономический журнал ВШЭ, 2022. – №1. С. 85-115.

Весь текст будет доступен после покупки