Анализ прогностической способности логистических моделей в рамках фондового рынка

Автор: Маршалов Д.П., Заборовская О.В., Шарафанова Е.Е., Конников Е.А.

Журнал: Известия Санкт-Петербургского государственного экономического университета @izvestia-spgeu

Рубрика: Финансовый сектор экономики

Статья в выпуске: 6-1 (144), 2023 года.

Бесплатный доступ

В данном исследовании используются три логистических модели для прогнозирования доходности акций на следующий день на основе текстовой информации, количеств запросов в соцсетях, исторических данных о доходности и ключевой ставки с задержкой до 2 дней. В рамках статьи представлены результаты каждой модели, подчеркивается влияние гиперпараметров, в частности регуляризации, на точность прогнозирования, а также сделаны выводы относительно взаимосвязи между текущей доходностью и историческими данными. Результаты согласуются с предыдущими исследованиями, описанными в научной литературе, подтверждая возможность прогнозирования прошлыми данными текущей доходности. Интеграция прогностического моделирования и обзора литературы повышает глубину и достоверность сделанных выводов, предоставляя инвесторам и финансовым аналитикам возможность принимать обоснованные решения в сложных условиях торговли на фондовом рынке.

Еще

Прогнозирование, классификационные модели, регуляризация, интеллектуальный анализ текста, логистическая регрессия, дерево решений, случайные леса

Короткий адрес: https://sciup.org/148327776

IDR: 148327776

Список литературы Анализ прогностической способности логистических моделей в рамках фондового рынка

  • Wang X., Mueen A., Ding H. et al. Experimental comparison of representation methods and distance measures for time series data // Data Min Knowl Disc. 2013. Vol. 26. Р. 275-309. EDN: QRTKWI
  • Fawaz I.H., Forestier G., Weber J. et al. Deep learning for time series classification: a review // Data Min Knowl Disc. 2019. Vol. 33. Р. 917-963. EDN: ZNBHAE
  • Mitra A., Jain A., Kishore A. et al. A Comparative Study of Demand Forecasting Models for a Multi-Channel Retail Company: A Novel Hybrid Machine Learning Approach // Oper. Res. Forum. 2022. Vol. 3. Р. 58.
  • Pratibha J., Vaishali P., Sharad G. A Comparative Study of Linear Regression and Regression Tree // 2nd International Conference on Communication & Information Processing (ICCIP), May 30, 2020. DOI: 10.2139/ssrn.3645883
  • Catal C., Ece K., Arslan B., Akbulut A. Benchmarking of Regression Algorithms and Time Series Analysis Techniques for Sales Forecasting // Balkan Journal of Electrical and Computer Engineering. 2019. Vol. 7(1). Р. 20-26.
  • Karim R., Alam M.K., Hossain M.R. Stock Market Analysis Using Linear Regression and Decision Tree Regression // 1st International Conference on Emerging Smart Technologies and Applications (eSmarTA). Sana'a, Yemen, 2021. P. 1-6.
  • Soni P., Tewari Y., Krishnan D. Machine Learning Approaches in Stock Price Prediction: A Systematic Review // Journal of Physics: Conference Series. 2022. Vol. 2161. Р. 012065.
  • Liu S., Han J. Media tone and expected stock returns // International Review of Financial Analysis. 2020. Vol. 70. Р. 101522.
  • Carretta A., Farina V., Martelli D., Fiordelisi F., Schwizer P. The Impact of Corporate Governance Press News on Stock Market Returns // European Financial Management. 2011. Vol. 17, Iss. 1. Р. 100-119.
Еще
Статья научная