Titel:Aktiekursforudsigelse ved hjælp af maskinlæring og LSTM-baserede Deep Learning-modeller
forfattere: Sidra Mehtab, Jaydip Sen, Abhishek Dutta
Hent PDF
abstrakt: forudsigelse af aktiekurser har været et vigtigt forskningsområde i lang tid. Mens tilhængere af den effektive markedshypotese mener, at det er umuligt at forudsige aktiekurser nøjagtigt, er der formelle forslag, der viser, at nøjagtig modellering og design af passende variabler kan føre til modeller, hvor aktiekurser og aktiekursbevægelsesmønstre kan forudsiges meget nøjagtigt. I dette arbejde foreslår vi en tilgang til hybridmodellering til aktiekursforudsigelse, der bygger forskellige maskinindlæring og dyb læringsbaserede modeller. Med henblik på vores undersøgelse har vi brugt NIFTY 50indeksværdier på den nationale børs (nse) i Indien i periodendecember 29, 2014 til juli 31, 2020. Vi har bygget otte regressionsmodeller ved hjælp af træningsdata, der bestod af NIFTY 50 indeksposter under 29.december 2014 til 28. December 2018. Ved hjælp af disse regressionsmodeller forudsagde vi de åbne værdier af NIFTY 50 for perioden 31.December 2018 tilljuli 31, 2020. Vi øger derefter den forudsigelige kraft i vores prognoserammer ved at opbygge fire dybe læringsbaserede regressionsmodeller ved hjælp af lang-og korttidshukommelsesnetværk (LSTM) med en ny tilgang til fremadskridende gyldighed. Vi udnytter kraften i LSTM-regressionsmodeller til at forudsige de fremtidige NIFTY 50 åbne værdier ved hjælp af fire forskellige modeller, der adskiller sig i deres arkitektur og i strukturen af deres inputdata. Omfattende resultater er repræsenteret på forskellige målinger for alle regressionsmodellerne. Resultaterne viser tydeligt, at den LSTM-baserede univariate model, der bruger en uges priordata som input til forudsigelse af den næste uges åbne værdi af NIFTY 50 timeseries er den mest nøjagtige model.
