ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И НЕЙРОСЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ФОНДОВОГО РЫНКА
DOI:
https://doi.org/10.17213/2075-2067-2024-2-130-137Keywords:
искусственный интеллект, нейросети, прогнозирование, фондовый рынок, моделированиеAbstract
Целью исследования является оценка возможностей использования элементов искусственного интеллекта, включая нейросети, для прогнозирования ситуации на фондовом рынке.
Методологическую базу исследования представляют нормативно-правовые акты по деятельности на фондовом рынке, по использованию искусственного интеллекта и нейронных сетей, статистические данные по использованию нейросетей и динамике рынка акций технологических компаний, связанных с искусственным интеллектом, научные публикации по классификации и использованию искусственного интеллекта нейросетей, а также элементы структурного анализа. Применение этих методов и подходов позволяет изучить возможности использования инструментов искусственного интеллекта и нейросетей на фондовом рынке, исследовать возможные альтернативные варианты и комбинации нейросетевых методов, оценить возможные результаты от использования нейросетей на фондовом рынке.
Результаты исследования. В статье изучается возможность использования инструментов искусственного интеллекта и нейронных сетей на фондовом рынке. Представлено, как нейронные сети применяются для верификации гипотезы эффективного фондового рынка. Предложена структура нейросети и конфигурация целевого вектора для работы на фондовом рынке. Представлена математическая модель по верификации нейросети на фондовом рынке. Нейронные сети требуют тщательного и эффективного обучения для повышения качества прогнозов и при соответствующем подходе дают результаты лучше, чем остальные методы предсказания. Это позволяет использовать их для прогнозирования изменения хаотических многофакторных систем, включая фондовый рынок.
Перспективу исследования составляет проверка реального обучения нейросетей по реальной деятельности на фондовом рынке.
References
Agrawal D., Minocha S., Namasudra S., Kumar S. Ensemble algorithm using transfer learning for sheep breed classification // 2021 IEEE 15th international symposium on applied computational intelligence and informatics (SACI). Piscataway, 2021. Pp. 199–204.
Akita R., et al. Deep learning for stock prediction using numerical and textual information // 2016 IEEE/ACIS 15th International Conference on Computer and Information Science (ICIS). 2016. Pp. 1–6.
Alguliyev R. M., Sukhostat L. V. Efficient algorithm for big data clustering on single machine // CAAI Transactions on Intelligence Technology. 2019. №5(1). Рр. 9–14.
Araъjo R. D. A., Nedjah N., Oliveira A. L., Silvio R. D. L. A deep increasing-decreasing-linear neural network for financial time series prediction // Neurocomputing. 2019. №347. Рр. 59–81.
Benvenuto D., Giovanetti M., Vassallo L., Angeletti S., Ciccozzi M. Application of the ARIMA model on the COVID-2019 epidemic dataset // Data in Brief. 2020. №29. Р. 105340.
Bustos O., Pomares-Quimbaya A. Stock market movement forecast: a systematic review // Expert Systems with Applications. 2020. №156. Рр. 113464.
Chakraborty S., Aich S., Han E. E., Park J., Kim H. C. Parkinson’s disease detection from spiral and wave drawings using convolutional neural networks: A multistage classifier approach // International conference on advanced communication technology (ICACT). 2020. Pp. 298–303.
Day M. Y., Lee C. C. Deep learning for financial sentiment analysis on finance news providers [Electronic resource] // 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). 2016. URL: https://ieeexplore.ieee.org/document/7752381 (date accessed: 28.03.2024).
Deng, Y., et al. Deep Direct Reinforcement Learning for Financial Signal Representation and Trading // IEEE Transactions on Neural Networks and Learning Systems. 2016. №PP(99). Рp. 1–12.
Hooshmand M. K., Gad I. Feature selection approach using ensemble learning for network anomaly detection // CAAI Transactions on Intelligence Technology. 2020. №5(4). Рр. 283–293.
Moghaddam A. H., Moghaddam M. H., Esfandyari M. Stock market index prediction using artificial neural network // Journal of Economics, Finance and Administrative Science. 2016. №21(41). Рp. 89–93.
Namasudra S., Dhamodharavadhani S., Rathipriya R. Nonlinear neural network based forecasting model for predicting COVID-19 cases // Neural Processing Letters. 2021. Рр. 1–21. DOI: 10.1007/s11063-021-10495-w.
Paul S. S., Singh L. A review on advances in deep learning [Electronic resource] // 2015 IEEE Workshop on Computational Intelligence: Theories, Applications and Future Directions (WCI). 2015. URL: https://www.researchgate.net/publication/305305074_A_review_on_advances_in_deep_learning (date accessed: 28.03.2024).
Recht B., et al. Hogwild: A lock-free approach to parallelizing stochastic gradient descent [Electronic resource] // Advances in Neural Information Processing Systems. 2021. URL: https://papers.nips.cc/paper_files/paper/2011/hash/218a0aefd1d1a4be65601cc6ddc1520e-Abstract.html. (date accessed: 28.03.2024).
Sun Y., Wang X., Tang X. Deep learning face representation from predicting 10,000 classes [Electronic resource] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. URL: https://mmlab.ie.cuhk.edu.hk/pdf/YiSun_CVPR14.pdf (date accessed: 28.03.2024).
Vui C. S., et al. A review of stock market prediction with Artificial neural network (ANN) [Electronic resource] // 2013 IEEE International Conference on Control System, Computing and Engineering. 2013. URL: https://www.academia.edu/29057488/A_review_of_stock_market_prediction_with_Artificial_neural_network_ANN_ (date accessed: 28.03.2024).
Yetis Y., Kaplan H., Jamshidi M. Stock market prediction by using artificial neural network // 2014 World Automation Congress (WAC). 2014. Pp. 718–722.
