Title:Stock Price Prediction Using Machine Learning and LSTM-Based Deep Learning Models
Authors: Sidra Mehtab, Jaydip Sen, Abhishek Dutta
Download PDF
Abstract: Prediction of stock prices has been an important area of research for a long. Vaikka tehokkaan markkinahypoteesin kannattajat uskovat, että osakekurssien tarkka ennustaminen on mahdotonta, on olemassa muodollisia ehdotuksia, jotka osoittavat, että sopivien muuttujien tarkka mallinnus ja suunnittelu voivat johtaa malleihin, joiden avulla osakekurssit ja osakekurssien muutokset voidaan ennustaa erittäin tarkasti. Tässä työssä ehdotamme hybridimallinnuksen lähestymistapaa osakekurssien ennustamiseen rakentamalla erilaisia koneoppimiseen ja Deep-oppimiseen perustuvia malleja. Tutkimustamme varten olemme käyttäneet Intian kansallisen pörssin (NSE) NIFTY 50index-arvoja ajanjaksolla joulukuusta 29, 2014 heinäkuuhun 31, 2020. Olemme rakentaneet kahdeksan regressiomallia käyttäen koulutustietoja, jotka koostuivat näppäristä 50-indeksitallenteista joulukuun 29, 2014 ja joulukuun 28, 2018 välisenä aikana. Käyttämällä näitä regressiomalleja, ennustimme NIFTY 50: n avoimet arvot ajanjaksolle joulukuu 31, 2018 tillJuly 31, 2020. Me siis lisäämme ennustuskehyksemme ennustavaa voimaa rakentamalla neljä syväoppimiseen perustuvaa regressiomallia, joissa käytetään lstm-verkkoja (long-andshort-term memory) ja uudenlaista walk-forwardvalidation-lähestymistapaa. Hyödynnämme lstm: n regressiomallien voimaa ennustaessamme tulevaisuuden NIFTY 50 avointa arvoa käyttäen neljää eri mallia, jotka eroavat toisistaan arkkitehtuuriltaan ja syöttötietojensa rakenteeltaan. Kaikkien regressiomallien eri mittareilla esitetään laajoja tuloksia. Tulokset osoittavat selvästi, että lstm-pohjainen univariate-malli, joka käyttää viikon priordataa syötteenä seuraavan viikon avoimen arvon ennustamiseen NIFTY 50 timeseries on tarkin malli.
