СТАРКОВ Илья Алексеевич. ОЦЕНКА ПРОГНОЗИРОВАНИЯ БИРЖЕВОГО ИНДЕКСА С ПОМОЩЬЮ LSTM-НЕЙРОСЕТИ. Аннотация

УДК 336. 76, 004. 032. 26

JEL G17

СТАРКОВ Илья Алексеевич

Финансовый университет при Правительстве Российской Федерации, ул. Малый Златоустинский переулок, 7, Москва, 129164, Россия.

https: //orcid. org/0000-0003-0212-7737

Старков Илья Алексеевич, студент Финансового университета, Финансовый факультет, Финансовые рынки и финтех, 3 курс, Москва, Россия.

Научный руководитель: Захарова Ольга Владимировна, старший преподаватель Департамента банковского дела и финансовых рынков, Москва. Финансовый университет при Правительстве Российской Федерации, ул. Малый Златоустинский переулок, 7, Москва, 129164, Россия.

ОЦЕНКА ПРОГНОЗИРОВАНИЯ БИРЖЕВОГО ИНДЕКСА С ПОМОЩЬЮ LSTM-НЕЙРОСЕТИ

Аннотация

Предмет/тема. В исследовании рассмотрена работа слоя LSTM в составе нейросети для прогнозирования значений биржевого индекса РТС на следующий рабочий день.

Цели/задачи. Измерение эффективности реализации скалярной регрессии нейросетевой архитектуры с применением LSTM-слоя на примере прогнозирования индекса РТС.

Методология. Моделируется одно из возможных базовых (наивных) решений, таким образом определяется целевая эффективность для создаваемой нейросети. Создаётся простейшее нейросетевое решение – неглубокая полносвязная сеть, на примере которой определяется обоснованность использования перекрёстной проверки по K блокам. Сравнивается эффективность LSTM-сети с неглубокой полносвязной нейросетью по метрике MAE (mean absolute error). Проводится постепенная оптимизация избранной архитектуры, затем анализируется работа финального варианта нейросети на тестовой выборке, которая сопоставляется с эффективностью наивного решения.

Результаты/выводы. LSTM-сеть не показала хороших результатов - эффективность наивного (базового) метода прогнозирования оказалась выше. Делается вывод о том, что LSTM лучше делать в стеке с другими технологиями, алгоритмами и входными данными. Выдвигается предположение, что LSTM может больше подходить для бинарной или многоклассовой классификации, нежели для скалярной регрессии.

Ключевые слова: LSTM, нейросеть, прогнозирование биржевого индекса, полносвязная нейросеть, рекуррентная нейросеть, финансовый рынок, машинное обучение, оптимизация.

Ilya A. Starkov, student of the Financial University, Faculty of Finance, Financial Markets and Fintech, 3rd year, Moscow, Russia.

https: //orcid. org/0000-0003-0212-7737

Scientific advisor: Olga V. Zakharova, Senior Lecturer, Banking and Financial Markets Department at Financial University under the Government of the Russian Federation.

12 3 4 Следующая ⇒