Исследование и применение моделей глубокого машинного обучения для анализа и прогнозирования краткосрочных ценовых движений на финансовых рынках
Аннотация
В данной выпускной квалификационной работе исследованы и применены модели глубокого машинного обучения для анализа и прогнозирования краткосрочных ценовых движений на финансовых рынках. Основной целью работы является изучение эффективности использования глубоких нейронных сетей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для прогнозирования ценовых движений.
Исследование основано на данных, полученных с API Tinkoff, включающих 7 269 изображений временных рядов и файлов CSV, разделенных на три класса: buy, sell и neutral. В работе были рассмотрены три модели: CNN с механизмом внимания, CNN с двумя путями и RNN с использованием GRU.
Новизна исследования заключается в использовании моделей, обрабатывающих временные ряды как изображения, что является новаторским подходом и открывает новые перспективы для повышения точности и скорости прогнозов.
Результаты показали, что модели глубокого машинного обучения могут эффективно анализировать и прогнозировать краткосрочные ценовые движения. Модель RNN с использованием GRU продемонстрировала наилучшую точность (94.67%) и низкие потери (0.13). Модель CNN с двумя путями также показала хорошие результаты с точностью 82.67% и потерями 0.72. Модель CNN с механизмом внимания, несмотря на более умеренные результаты, обладает потенциалом для дальнейшего улучшения благодаря способности фокусироваться на наиболее значимых частях данных.
Применение глубоких нейронных сетей может значительно улучшить точность и оперативность торговых стратегий. Разработанные модели могут быть использованы трейдерами и финансовыми аналитиками для повышения эффективности принятия решений на высоковолатильных рынках.
Ключевые слова: машинное обучение, глубокое обучение, прогнозирование цен, финансовые рынки, краткосрочные ценовые движения, временные ряды как изображения.
Исследование основано на данных, полученных с API Tinkoff, включающих 7 269 изображений временных рядов и файлов CSV, разделенных на три класса: buy, sell и neutral. В работе были рассмотрены три модели: CNN с механизмом внимания, CNN с двумя путями и RNN с использованием GRU.
Новизна исследования заключается в использовании моделей, обрабатывающих временные ряды как изображения, что является новаторским подходом и открывает новые перспективы для повышения точности и скорости прогнозов.
Результаты показали, что модели глубокого машинного обучения могут эффективно анализировать и прогнозировать краткосрочные ценовые движения. Модель RNN с использованием GRU продемонстрировала наилучшую точность (94.67%) и низкие потери (0.13). Модель CNN с двумя путями также показала хорошие результаты с точностью 82.67% и потерями 0.72. Модель CNN с механизмом внимания, несмотря на более умеренные результаты, обладает потенциалом для дальнейшего улучшения благодаря способности фокусироваться на наиболее значимых частях данных.
Применение глубоких нейронных сетей может значительно улучшить точность и оперативность торговых стратегий. Разработанные модели могут быть использованы трейдерами и финансовыми аналитиками для повышения эффективности принятия решений на высоковолатильных рынках.
Ключевые слова: машинное обучение, глубокое обучение, прогнозирование цен, финансовые рынки, краткосрочные ценовые движения, временные ряды как изображения.