Model sieci neuronowej do prognozowania cen na giełdzie

Giełdy papierów wartościowych są uważane za głównych graczy w sektorze finansowym wielu krajów. Na takich giełdach to maklerzy realizują transakcje giełdowe i doradzają klientom, gdzie inwestować. Większość z tych maklerów wykorzystuje analizę techniczną, fundamentalną lub szeregów czasowych, próbując przewidzieć przyszłe ceny akcji, aby doradzać klientom w zakresie odpowiednich inwestycji. Strategie te zazwyczaj nie gwarantują jednak dobrych zwrotów, ponieważ opierają się na trendach, a nie na najbardziej prawdopodobnej cenie transakcyjnej w przyszłości. Konieczne jest zatem poszukiwanie ulepszonych metod prognozowania. W ramach badań wykorzystano sztuczną sieć neuronową (ANN) typu perceptron wielowarstwowy z propagacją błędu wstecz (MLP), w celu opracowania modelu ANN o konfiguracji 5:21:21:1, wykorzystującego 80% danych do szkolenia w 130 000 cyklach. Następnie w ramach badań opracowano prototyp i przetestowano go przy użyciu danych z lat 2008-2012 pochodzących z różnych rynków akcji, takich jak Giełda Papierów Wartościowych w Nairobi (NSE) i Giełda Papierów Wartościowych w Nowym Jorku (NYSE). Wyniki wykazały, że model prognozował ceny z wskaźnikiem MAPE wynoszącym od 0,71% do 2,77%. Walidacja przeprowadzona przy użyciu programów Neuroph i Encog wykazała zbliżony wskaźnik RMSE. Model ten może zatem być wykorzystywany do prognozowania na dowolnym typowym rynku akcji.

Giełdy papierów wartościowych są uważane za głównych graczy w sektorze finansowym wielu krajów. Na takich giełdach to maklerzy realizują transakcje giełdowe i doradzają klientom, gdzie inwestować. Większość z tych maklerów wykorzystuje analizę techniczną, fundamentalną lub szeregów czasowych, próbując przewidzieć przyszłe ceny akcji, aby doradzać klientom w zakresie odpowiednich inwestycji. Strategie te zazwyczaj nie gwarantują jednak dobrych zwrotów, ponieważ opierają się na trendach, a nie na najbardziej prawdopodobnej cenie transakcyjnej w przyszłości. Konieczne jest zatem poszukiwanie ulepszonych metod prognozowania. W ramach badań wykorzystano sztuczną sieć neuronową (ANN) typu perceptron wielowarstwowy z propagacją błędu wstecz (MLP), w celu opracowania modelu ANN o konfiguracji 5:21:21:1, wykorzystującego 80% danych do szkolenia w 130 000 cyklach. Następnie w ramach badań opracowano prototyp i przetestowano go przy użyciu danych z lat 2008-2012 pochodzących z różnych rynków akcji, takich jak Giełda Papierów Wartościowych w Nairobi (NSE) i Giełda Papierów Wartościowych w Nowym Jorku (NYSE). Wyniki wykazały, że model prognozował ceny z wskaźnikiem MAPE wynoszącym od 0,71% do 2,77%. Walidacja przeprowadzona przy użyciu programów Neuroph i Encog wykazała zbliżony wskaźnik RMSE. Model ten może zatem być wykorzystywany do prognozowania na dowolnym typowym rynku akcji.