LSTM alapú tőzsdei árfolyambecslés technikai indikátorok segítségével (angol)
A befektetők többsége sokáig statisztikai modelleket, és különböző egyenleteket használt a tőzsdén történő mozgások szimulálásához és prediktálásához. A részvénypiac kiszámíthatatlansága miatt viszont mindig szükség volt jobb és megbízhatóbb megoldásokra. A TDK munkámban ismertetek és implementálok egy neurális háló alapú, LSTM modellt használó megoldást. Munkám célja egy modell felépítése és betanítása, hogy az képes legyen előrejelezni a tőzsdei részvények árának mozgását.
A neurális hálók megjelenésével új módszerek születtek a tőzsdei árak predikciójához, ezek közül az egyik megoldás a szekvenciális adatokat felhasználó modellek voltak. Az egyik ilyen megoldás az LSTM modell, amely képes régebbi adatokat is felhasználni. A megoldásomban a modell az előző 30 napból prediktálja az ár mozgását.
A munkám középpontjában az LSTM modell, és variánsainak felhasználása áll. A modell architektúrájának kialakítását hiperparaméter optimalizációval, Fa-struktúrájú Parzen Becslővel támogatom, így gyorsabban el lehet jutni egy optimális modellhez. A tanítás különböző S&P 500 indexből vett cégek részvényein történt, és különböző technikai indikátorokat adtam az adatokhoz, hogy azok segítsék a predikció pontosságát.
A megjósolt változást felhasználva, egy egyszerű kereskedő algoritmust is implementáltam, ami befektet a modell által visszaadott eredmény alapján. A megjósolt eredményeket, és az elért befektetési metrikákat elemzem és összehasonlítom más már létező eredményekkel. Számos megalkotott módszerem 1 feletti Sharpe ráta elérésére képes. Valós részvénypiaci adatokon teszteltem rendszerem és értem el eredményeimet, így munkám a későbbiekben teljes mértékben alkalmazható további ipari és tudományos kutatásokhoz. Továbbá újszerű megközelítésnek számít a Fa-struktúrájú Parzen Becslő és az LSTM architektúra együttes alkalmazása, amelyekkel eredményeim elértem.
