Применение нейронных сетей в задаче прогнозирования финансовых временных рядов

Целью статьи является предсказание будущих цен фондового рынка с помощью моделей нейронных сетей с последующим выбором наиболее точной модели. В статье рассмотрены основные виды нейронных сетей, применяемых для анализа временных рядов - сеть долгой краткосрочной памяти (LSTM) и управляемый рекуррентный блок (GRU). Данные алгоритмы являются видами рекуррентных нейронных сетей (RNN). Разработка алгоритмов производилась в среде Google Colab на языке программирования Python версии 3.7 с использованием библиотек Pandas, NumPy, Scikit-learn, Statsmodels, Keras, Matplotlib. Для проведения исследования был выбран рынок российских акций с 02.06.2014 года до 16.11.2019 года. В выборку вошли бумаги, обращающихся на Московской бирже, среди которых акции таких компаний как ПАО «Аэрофлот» (AFLT), АК «Алроса» (ALRS), ПАО «Газпром» (GAZP), ГМК «Норникель» (GMKN), ПАО «Северсталь» (CHMF). Результаты исследования позволили заключить вывод о том, что при создании прогностической модели искусственного интеллекта наиболее эффективной является нейросетевая конфигурация LSTM. Выводы исследования также указывают на то, что использование инструментов, основанных на искусственном интеллекте, является эффективным способом прогнозирования финансовых временных рядов.