Вестник Института экономики № 3/2023. Финансы.

Кузнецов Роман Сергеевич

аспирант ФГБОУ ВО «Санкт-Петербургский государственный экономический университет», Санкт-Петербург, Россия

Тумарова Татьяна Гельцевна

кандидат экономических наук, профессор, директор института магистратуры ФГБОУ ВО «Санкт-Петербургский государственный экономический университет», Санкт-Петербург, Россия

ПРОГНОЗИРОВАНИЕ КОТИРОВОК АКЦИЙ ПАО ГАЗПРОМ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ LSTM

 84-98   

 305   

 354.65 KB   

 Текст статьи

Аннотация

Искусственный интеллект и машинное обучение все чаще начинают использоваться в различных сферах экономики и финансов. Развитие технологий и повышение доступности вычислительных мощностей позволяет все шире использовать различные средства программирования. Для многих компаний, занимающихся торговлей акциями и иными деривативами, использование эффективного механизма прогнозирования котировок является важным конкурентным преимуществом, а усилить данное преимущество в настоящее время возможно с использованием моделей нейронных сетей, таких как LSTM. В статье приведены результаты апробирования модели LSTM на базе фактических данных (котировок акций ПАО Газпром на Московской бирже), были спрогнозированы значения котировок и выявлен тренд акций ПАО Газпром на Московской бирже, начиная с сентября 2019 г.

Ключевые слова: фондовая биржа, нейронные сети, LSTM, прогнозирование, акции ПАО Газпром.

УДК: 339.13.01

EDN: RTZFON

DOI: https://doi.org/10.52180/2073-6487_2023_3_84_98

Литература

1. Alkhatib K., Khazaleh H., Abualigah L. A new stock price forecasting method using active deep learning approach // ELSEVIER. 2022. No. 8. 117–134.
2. Alzahrani A., Aldhyani H. Framework for predicting and modelling stock market prices based on deep learning algorithms // Electronics. 2022. No. 11. Pp. 15–19.
3. Anand C. Comparison of stock price prediction models using pre-trained neural networks // Journal of ubiquitous computing and communication technologies (UCCT). 2021. Pp. 122–134.
4. Banik S., Sharma N., Mangla M. LSTM based decision support system for swing trading in stock market // ELSEVIER. 2022. No. 239. 10–27.
5. Bathla G., Rani R., Aggarwal H. Stock of year 2020: prediction of high variations in stock prices using LSTM // ELSEVIER. 2022. No. 97. 97–103.
6. Bhandari H.N., Rimal B., Pokhrel N.R. Predicting stock market index using LSTM // ELSEVIER. 2022. No. 9. Pp. 1–15.
7. Chandar K. Convolutional neural network for stock trading using technical indicators // ELSEVIER. 2022. No. 39. Pp. 29–35.
8. Chen Y., Wu J., Wu Z. China’s commercial bank stock price prediction using a novel K-means-LSTM hybrid approach // ELSEVIER. 2022. No. 202. Pp. 103–117.
9. Dami S., Esterabi M. Predicting stock returns of Tehran exchange using LSTM neural network and feature engineering technique // ELSEVIER. 2021. No. 80. Pp. 1–17.
10. Ghosh P., Neufeld A., Sahoo J. Forecasting directional movements of stock prices for intraday trading using LSTM and random forest // ELSEVIER. 2022. No. 46. Pp. 47–65.
11. Gupta A., Kumar Y. Stock market analysis and prediction for Nifty50 using LSTM deep learning approach // International conference of innovative practices in technology and management (ICIPTM). 2022. Pp. 1–2.
12. Jafari H., Lashgari A., Rabiee E. Cryptocurrency price prediction with Neural Networks of LSTM and Bayesian optimization // European journal of business and management research. 2022. No. 7. Pp. 20–27.
13. Shah J., Vaidya D., Shah M. A comprehensive review on multiple hybrid deep learning approaches for stock prediction // ELSEVIER. 2022. No. 16. Pp. 1–14.
14. Soni P., Tewari Y., Krishan D. Machine learning approaches in stock price prediction: a systematic review // Journal of physics: conference series. 2022. No. 2161. Pp. 1–10.
15. Zaheer S., Anjum N., Algarni A. A multi parameter forecasting for stock time series data using LSTM and deep learning model // Mathematics. 2023. No. 11(3). Pp. 1–24.

Дата поступления рукописи: 22.03.2023 г.

Для цитирования:

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. https://doi.org/10.52180/2073-6487_2023_3_84_98 EDN: RTZFON

  Лицензия Creative Commons 4.0