Борисенко Г.А. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ АКЦИЙ НА ОСНОВЕ НОВОСТНЫХ ДАННЫХ

Вестник Института экономики № 5/2024. Финансы.

Борисенко Георгий Александрович

аспирант экономического факультета МГУ имени М.В. Ломоносова, Москва, Россия

ORCID: 0009-0000-8430-7744

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ АКЦИЙ НА ОСНОВЕ НОВОСТНЫХ ДАННЫХ

211-232

594.08 KB

Текст статьи

Данная работа посвящена прогнозированию движения стоимости акций крупных российских компаний, представленных в индексе Московской биржи, на основе новостных данных. В качестве моделей для прогноза используются нейронные сети трансформеры, а также и классические методы машинного обучения. В качестве новостных данных используются крупные российские новостные источники и Telegram-каналы по экономике и финансам. Задача решается в двух постановках: классификация на 2 класса (цена акции окажется выше/ниже текущей) и классификация на 3 класса (цена акции окажется выше/примерно на том же уровне/ниже текущей). В результате исследования было выявлено, что классические методы машинного обучения справляются лучше с данной задачей в общем случае, но нейронные сети также показывают хорошее качество для крупных компаний.

Ключевые слова: стоимость акций, новости, нейросети.

УДК: 336.763.21, 004.032.26

EDN: KJVYKJ

DOI: https://doi.org/10.52180/2073-6487_ 2024_5_211_232

Литература

Кузнецов Р.С., Тумарова Т.Г. Прогнозирование котировок акций ПАО Газпром с использованием нейронных сетей LSTM // Вестник Института экономики Российской академии наук. 2023. № 3. С. 84–98. DOI: 10.52180/2073-6487_2023_3_84_98.
Biau G., Scornet E. A random forest guided tour // Test. 2016. Vol. 25. Pp. 197–227. DOI: 10.1007/s11749-016-0481-7.
De Fortuny E.J. et al. Evaluating and understanding text-based stock price prediction models // Information Processing & Management. 2014. Vol. 50. No. 2. Pp. 426–441. DOI: 10.1016/j.ipm.2013.12.002.
Fama E.F. Efficient capital markets // Journal of finance. Vol. 25. No. 2. Рp. 383–417. DOI: 10.2307/2325486.
Gidofalvi G., Elkan C. Using news articles to predict stock price movements // Department of computer science and engineering, university of California. San Diego. 2001. Vol. 17. DOI: 10.1109/IJCNN.2018.8489208.
Li Y., Pan Y. A novel ensemble deep learning model for stock prediction based on stock prices and news // International Journal of Data Science and Analytics. 2022. Pp. 1–11. DOI: 10.1007/s41060-021-00279-9.
Liu J. et al. Transformer-based capsule network for stock movement prediction // Proceedings of the First Workshop on Financial Technology and Natural Language Processing. 2019. Pp. 66–73. DOI: 10.1016/j.eswa.2022.117239.
Mittal A., Goel A. Stock prediction using twitter sentiment analysis // Standford University, CS229. 2012. Vol. 15. P. 2352.
Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in neurorobotics. 2013. Vol. 7. P. 21. DOI: 10.3389/fnbot.2013.00021.
Sekioka S., Hatano R., Nishiyama H. Market prediction using machine learning based on social media specific features // Artificial Life and Robotics. 2023. Vol. 28. No. 2. 410–417. DOI: 10.1007/s10015-023-00857-z.
Vaswani A. et al. Attention is all you need // Advances in neural information processing systems. 2017. Vol. 30. DOI: 10.48550/arXiv.1706.03762.
Volodin S.N., Kuranov G.M., Yakubov A.P. Impact of Political News: Evidence from Russia // Scientific Annals of Economics and Business. 2017. Vol. 64. No. 3. Pp. 271–287. DOI: 10.1515/saeb-2017-0018.
Xu Y., Cohen S.B. Stock movement prediction from tweets and historical prices // Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Vol. 1: Long Papers). 2018. Pp. 1970–1979. DOI: 10.18653/v1/P18-1183.
Zhang J., Ye L., Lai Y. Stock price prediction using CNN-BiLSTM-Attention model // Mathematics. 2023. Vol. 11. No. 9. P. 1985. DOI: 10.3390/math11091985.

Дата поступления рукописи: 12.09.2024 г.

Для цитирования:

Борисенко Г.А. Использование нейронных сетей для прогнозирования стоимости акций на основе новостных данных // Вестник Института экономики Российской академии наук. 2024. № 5. С. 211-232. https://doi.org/10.52180/2073-6487_ 2024_5_211_232 EDN: KJVYKJ

Лицензия Creative Commons 4.0