Нейронные сети и финансовые прогнозы

Все, кто активно интересуется/интересовался инвестициями в финансовые инструменты знают, что ну никак нельзя 100% спрогнозировать куда пойдет та или иная акция. Ученые же с помощью нейросетей еще в 1995 году чуть-чуть увеличили вероятность верного прогноза.

Нейронные сети тогда рекламировались как всемогущие инструменты прогнозирования фондового рынка.

Такие компании, как MJ Futures, заявляли об удивительной доходности в 199,2% за 2-летний период, используя свои методы прогнозирования на основе нейронных сетей. Они также претендуют на простоту использования их методик.

Как сказал технический редактор Джон Суини в выпуске журнала «Технический анализ акций и товаров» за 1995 год:

Это утверждение, возможно, преувеличено, но действительно, нейронные сети могут быть просты в использовании после настройки сети. Но все же сама настройка и обучение сети требуют навыков, опыта и терпения.

Однако, не все из этого шумиха. Нейронные сети продемонстрировали успех в прогнозировании рыночных тенденций.

Идея предсказания фондового рынка, конечно, не нова. Деловые люди часто пытаются предвидеть рынок, интерпретируя внешние параметры, такие как экономические показатели, общественное мнение и текущий политический климат.

Однако, вопрос заключается в том, могут ли нейронные сети обнаруживать тенденции в данных, которые люди могут не заметить, и успешно использовать эти тенденции в своих прогнозах.

Здесь хороших результатов добились Дин Барр и Уолтер Лойк из LBS Capital Management, используя относительно простую нейронную сеть с всего 6 финансовыми индикаторами в качестве входных данных.

Эти входные данные включают ADX, который показывает среднее направленное движение за предыдущие 18 дней, текущее значение S&P 500 и чистое изменение значения S&P 500 по сравнению с пятью предыдущими днями (см. книгу Дэвида Скапуры «Building Neural Networks»).

Это простая сеть обратного распространения из трех слоев. Она обучена и протестирована на большом объеме исторических рыночных данных.

В чем же проблема?

Проблема здесь не в самой сетевой архитектуре, а в выборе переменных и информации, используемой для обучения. Если же выбрать верные переменные, результаты весьма хороши. Еще лучшие результаты были достигнуты с помощью нейронной сети с обратным распространением с 2 скрытыми слоями и более чем 6 переменными.

К сожалению, в сети нет подробной информации об этих сетевых архитектурах; компании, которые с ними работают, похоже, хотят сохранить свои данные в секрете.

Исследование Стендфордского университета.

Сейчас одной из самых используемых для этих задач является нейросеть типов LSTM (Long short-term memory).

Основанная на классической рекуррентной нейронной сети RNN, сеть LSTM может выборочно забывать неважную информацию и усиливать ранее важную информацию, добавляя нелинейную структуру «ворот» внутри нейронов сети. Таким образом, LSTM позволяет избежать неизбежной проблемы исчезновения градиента, когда RNN обучается на длинных последовательностях. В частности, структура ворот LSTM определяется следующим образом:

В ней есть разные подмодели. Ниже сравнение их эффективности:

Результаты показывают, что точность модели прогнозирования последовательности сначала увеличивается, а затем снижается с течением времени прогнозирования.

Более того, сравнивая тенденцию изменения ошибок прогнозирования четырех методов, можно обнаружить, что ошибка модели MALSTM-L имеет наименьший диапазон изменения во времени, что дополнительно подтверждает надежность модели макрорыночного прогноза и демонстрирует эффективность введенного ограничения устойчивости рынка.

PS. лайк, пожалуйста, он помогает продвижению статьи, а значит дает мотивацию писать дальше

Ну и как положено на VC, канал телеграм))) Канал и чатик

Туда выкладываю статьи VC и то, что нет в VC. Мысли, идеи, опыт.

В закрепленных канале всегда телеграм боты Kolersky для доступа в ChatGPT, GPT-4 без VPN, а так же генераторы изображений Midjourney, Dall-e, Stable Diffusion (проект KolerskyAI).