Πρόβλεψη τιμών μετοχών με χρήση βαθιάς μάθησης

Abstract

Αυτή η εργασία αφορά στην διερεύνηση των τρόπων με τους οποίους αλγόριθμοι μηχανικής μάθησης όπως αυτοί που υλοποιούν τεχνικές βαθιάς εκμάθησης (deep learning), μπορούν να βοηθήσουν στο να καταστούν πιο προβλέψιμες οι συμπεριφορές χρηματιστηριακών μετοχών, οι οποίες αποτελούν παράδειγμα μη γραμμικών συναρτήσεων που εξαρτώνται από μεγάλο αριθμό παραγόντων (γνωστές για την αβέβαιη φύση τους).Ορίζοντας το σύστημά μας ως το σύνολο των χρηματιστηριακών οντοτήτων μιας αγοράς (τιμές μετοχών, δείκτες, κτλ.), χωρίζουμε την εργασία μας σε 2 μέρη τα οποία ασχολούνται με την μελέτη συστημάτων πρόβλεψης των συναρτήσεων τιμών των μετοχών τα οποία στηρίζονται σε δεδομένα ενδογενών και εξωγενών παραγόντων του συστήματος αντίστοιχα. Πιο συγκεκριμένα στο πρώτο μέρος της, η εργασία αυτή μελετά τη διαφορά στην προβλεπτική δύναμη την οποία περιέχουν τα αριθμητικά δεδομένα υψηλής συχνότητας όπως αυτά που περιγράφονται στην έρευνα [5]με παρόμοια δεδομένα χαμηλής συχνότητας. Καταλήγουμε στο συμπέρασμα ότι η πληροφορία που μπορεί να εξαχθεί με τις τεχνικές βαθιάς μάθησης που περιγράφονται στην έρευνα [5], είναι πολύ πιο αδύναμη αν χρησιμοποιήσουμε δεδομένα χαμηλής συχνότητας αντί υψηλής. Στο δεύτερο κομμάτι της εργασίας, κατασκευάζουμε ένα σύστημα πρόβλεψης το οποίο βασίζεται σε δεδομένα εξωγενών παραγόντων όπως ειδησεογραφικά άρθρα οικονομικού χαρακτήρα. Το σύστημα χρησιμοποιεί κάποιους από τους αλγόριθμους επεξεργασίας φυσικής γλώσσας που περιγράφονται στην έρευνα [25]ώστε να δημιουργήσει πυκνά διανύσματα νοήματος λέξεων των 100 διαστάσεων (Word embeddings) από κάποιες συντακτικές δομές (events) που εξάγονται από της προτάσεις του κειμένου, και περιέχουν 3 παραμέτρους (“δράστη”, “σχέση”, “αντικείμενο”).Τα αποτελέσματα δείχνουν ότι τα συστήματα που μελετήσαμε στο δεύτερο κομμάτι της εργασίας, είναι πολύ ποιο αποδοτικά από αυτά του πρώτου.