Un modello di rete neurale per la previsione dei prezzi di borsa

Le borse valori sono considerate attori di primo piano nel settore finanziario di molti paesi. In tali piazze, sono gli agenti di borsa che eseguono le operazioni di compravendita di titoli e consigliano i clienti su dove investire. La maggior parte di questi agenti di borsa utilizza analisi tecniche, fondamentali o di serie temporali nel tentativo di prevedere i futuri prezzi delle azioni, in modo da consigliare ai clienti gli investimenti più appropriati. Tuttavia, queste strategie di solito non garantiscono buoni rendimenti perché si basano sulle tendenze e non sul prezzo di negoziazione più probabile in una data futura. È quindi necessario esplorare metodi di previsione più efficaci. La ricerca utilizza una rete neurale artificiale (ANN), ovvero un percettrone multistrato (MLP) feedforward con retropropagazione dell'errore, per sviluppare un modello ANN con configurazione 5:21:21:1, utilizzando l'80% dei dati per l'addestramento in 130.000 cicli. La ricerca sviluppa quindi un prototipo e lo testa utilizzando i dati relativi al periodo 2008-2012 provenienti da vari mercati azionari, quali la Borsa di Nairobi (NSE) e la Borsa di New York (NYSE). I risultati hanno mostrato che il modello ha previsto i prezzi con un MAPE compreso tra lo 0,71% e il 2,77%. La validazione effettuata utilizzando Neuroph & Encog ha mostrato un RMSE molto vicino. Il modello può quindi essere utilizzato in qualsiasi previsione tipica del mercato azionario.

Le borse valori sono considerate attori di primo piano nel settore finanziario di molti paesi. In tali piazze, sono gli agenti di borsa che eseguono le operazioni di compravendita di titoli e consigliano i clienti su dove investire. La maggior parte di questi agenti di borsa utilizza analisi tecniche, fondamentali o di serie temporali nel tentativo di prevedere i futuri prezzi delle azioni, in modo da consigliare ai clienti gli investimenti più appropriati. Tuttavia, queste strategie di solito non garantiscono buoni rendimenti perché si basano sulle tendenze e non sul prezzo di negoziazione più probabile in una data futura. È quindi necessario esplorare metodi di previsione più efficaci. La ricerca utilizza una rete neurale artificiale (ANN), ovvero un percettrone multistrato (MLP) feedforward con retropropagazione dell'errore, per sviluppare un modello ANN con configurazione 5:21:21:1, utilizzando l'80% dei dati per l'addestramento in 130.000 cicli. La ricerca sviluppa quindi un prototipo e lo testa utilizzando i dati relativi al periodo 2008-2012 provenienti da vari mercati azionari, quali la Borsa di Nairobi (NSE) e la Borsa di New York (NYSE). I risultati hanno mostrato che il modello ha previsto i prezzi con un MAPE compreso tra lo 0,71% e il 2,77%. La validazione effettuata utilizzando Neuroph & Encog ha mostrato un RMSE molto vicino. Il modello può quindi essere utilizzato in qualsiasi previsione tipica del mercato azionario.