Прогнозирование цены акций с использованием сверточных и рекуррентных нейронных сетей на Keras (исследование)
Исследование на Google Colab:
- Русский язык
- Плохой английский перевод
Краткое описание:
Выявление закономерностей в курсах инструментов финансовых рынков позволяет построить модель для прогнозирования их будущего движения. Чтобы принимать успешные торговые решения, необходимо использовать различные методы и инструменты для анализа временных рядов.
Сперва были получены данные курса акций зарубежных компаний (Tesla, Google, Amazon, Facebook) и российских (Газпром, Сбербанк, Роснефть, ВТБ). Они содержат наблюдения по таким переменным, как цена открытия, закрытия, максимальная и минимальная, а также объемы торгов.
Сама по себе цена открытия является предыдущей ценой закрытия, однако по той причине, что фондовый рынок закрывается по окончанию торговой сессии, то при открытии, из-за недостаточного спроса на предложение (ну или наоборот), возникает разрыв между ценами, называемый гэпом. Он, в дальнейшем, и использовался нейросетью вместо цены открытия.
Данные максимальной и минимальной цены дня тоже были заменены на их разницу. По большей мере, основную информацию, которую они дают это то, на сколько сильно менялась цена в обоих направлениях в течение формирования свечи.
К имеющимся переменным были добавлены еще 4, такие как волатильность, которая помогает нейросети видеть периоды сильных колебаний цены; коэффициент стохастического осциллятора, демонстрирующий зоны перекупленности и перепроданности инструмента; разница двух экспоненциальных скользящих средних, показывающая локальные тренды; а также коэффициент автокорреляции, который помогает находить скрытые взаимосвязи между величинами одного временного ряда при заданном сдвиге.
В качестве архитектуры нейронной сети выступил гибрид сверточной и рекуррентной, который не только хорошо уменьшает размерность входных данных, сохраняя при этом их “природу”, но и фиксирует их временной порядок.
В начале входной массив данных поступает на слои свертки “Convolution” и объединения “MaxPooling”, которые уменьшают его размерность. После идет рекуррентный слой “LSTM”, позволяющий хранить в своей памяти данные на протяжении нескольких итераций. Далее слой сглаживания “Flatten” переводит двумерный массив данных в одномерный, после чего полносвязный слой “Dense” передает данные на слой “Dropout”, который путем исключения части данных, защищает сеть от переобучения. Далее, после линейной активации, на выходе получаем прогнозные значения.
После обучения нейросети ее точность составила около 60%, что говорит о весьма хорошем качестве прогнозирования.
Помимо этого был проведен бэктестинг, представляющий из себя имитацию реальных торгов на исторических данных с учетом всех комиссий.
За 10 месяцев первоначальный капитал стабильно увеличился на 25%.
Мой научный руководитель Kozlov Denis Yurievich также принимал участие в этом исследовании.