Ceļā uz precīzām akciju cenu prognozēm: Mašīnmācīšanās modeļu novērtēšana

Abstract

Akcijas kļūst par arvien populārāku ieguldījumu instrumentu, un tādas finanšu lietojumprogrammas kā Revolut vienkāršo akciju tirdzniecības pieredzi. Ideja izmantot algoritmus, lai mēģinātu prognozēt akciju cenu svārstības nākotnē, nav jauna, jo šādu algoritmu pētījumi tika veikti jau 1988. gadā. Pētījumā tiek pētīta un novērtēta esošo mašīnmācīšanās algoritmu prognožu precizitāte. Šajā pētījumā tika pētīti algoritmi Autoregressive Integrated Moving Average modelis, Prophet modelis un Long Short-Term Memory tīkls. Tika pārbaudīti mašīnmācīšanās algoritmu reālie pielietojumi finanšu jomā. Tika pārskatīti un analizēti arī esošie pētījumi jomā. Risinājumi tika izveidoti ar pieejamajām Python bibliotēkām Google Collaboratory kodu vidē. Datu kopa tika iegūta tieši no Nasdaq Baltic tīmekļa vietnes un apstrādāta, lai novērstu trūkstošās vērtības. Algoritmi tika apmācīti un testēti ar datu kopu, izmantojot 90-10 procentu attiecību starp apmācības un testa datiem. Tika salīdzināti un analizēti mašīnmācīšanās algoritmu ģenerētie paredzējumi. Rezultāti liecina, ka Long Short-Term Memory modelis ievērojami pārspēja Autoregressive Integrated Moving Average modeli un Prophet modeli visos precizitātes rādītājos. Tas liecina, ka dziļās mācīšanās algoritmi var būt ļoti piemēroti akciju cenu prognozēšanai. Autors uzskata, ka ARIMA un Prophet modeļi varētu būt noderīgi investoriem, kuri meklē ilgtermiņa ieguldījumu stratēģijas, jo šie algoritmi var prognozēt vispārējo tendenci, uz kādu akciju cena virzīsies nākamā mēneša vai gada laikā. Long Short-Term Memory modelis izceļas ar akciju cenu svārstību prognozēšanu īsā laika periodā, piemēram, paredzot nākamās dienas slēgšanas cenu. Rezultāti liecina, ka investori var iegūt vērtīgu informāciju no mašīnmācīšanās algoritmiem. Prognozes ne vienmēr var būt precīzas, un, paļaujoties uz algoritmiem tirdzniecības stratēģijās, pastāv financiāls risks. Darba ierobežojumi ir pētījuma apjoms un datu kopas ierobežojumi. No Nasdaq Baltic iegūstamajiem datiem ir tikai dienas akciju cenu informācija, savukārt lielākā daļa biržu sniedz stundas cenu informāciju. Iegūstot papildu informāciju par akciju cenu, datu kopas apjoms ievērojami palielinātos, kas ļautu iegūt labākus un ticamākus algoritmu rezultātus. Turpmākos pētījumos varētu ieviest un pārbaudīt vairāk dažādu mašīnmācīšanās risinājumu. Tā rezultātā varētu atrast vairāk algoritmu, kas spētu precīzi prognozēt akciju cenu pārmaiņas Baltijas tirgū un sniegtu ieguldītājiem vērtīgu informāciju. Kā turpmāko pētījumu būtu jāapsver arī sentimenta analīzes algoritma izstrāde latviešu valodas ziņu ciklu un uzņēmumu preses relīžu apstrādei. Pētnieciskais darbs ir rakstīts angļu valodā. Darba apjoms ir 42 lapaspuses, darbā ir 4 tabulas un 7 attēli. Atsauču sarakstā ir 35 atsauces.

Stocks are becoming an increasingly popular investing instrument with financial applications such as Revolut simplifying the user experience of stock trading. The idea of using algorithms to attempt to predict future stock price fluctuations is not novel, as research into such algorithms has been done as early as 1988. While prominent financial market theories such as the Efficient Market Hypothesis claim that markets are unpredictable, as all information is already reflected in the price of the asset, with rapidly improving machine learning technology, these claims may be proven false. The research investigates and evaluates the accuracy of the predictions from existing machine learning algorithms. The algorithms highlighted in this research were the Autoregressive Integrated Moving Average model, the Prophet time-series forecasting model and Long Short-Term Memory network. Real life applications of machine learning algorithms in the financial landscape were examined. Existing research was also reviewed and analyzed. The solutions were implemented from available Python libraries in Google Collaboratory code environment. The dataset was obtained from the Nasdaq Baltic website directly and processed to remove any missing values. The algorithms were trained and tested on the dataset with a 90 to 10 percent ratio between the train and test data. The generated predictions of the machine learning algorithms were compared and analyzed. The results showed that the Long Short-Term Memory network significantly outperformed the Autoregressive Integrated Moving Average model and the Prophet model on all accuracy metrics. This shows that deep learning algorithms can be very suitable for stock price forecasting. The author believes that the ARIMA and Prophet models could be useful for investors who are looking for long-term investing strategies, as the algorithms can predict the general trend the share price will move to in the next month or year. The Long Short-Term memory model excels at predicting stock price fluctuations in a short time period, such as predicting the next day’s closing price. The results show that investors can obtain valuable information from machine learning algorithms. However, it should be noted that the predictions may not always be accurate and there would be inherent risk from relying on algorithms for trading strategies. The limitations of the work are the scope of research and dataset limitations. The data obtainable from Nasdaq Baltic has only daily stock price information, whereas most stock exchanges provide hourly price information. Obtaining hourly stock price information would significantly improve the size of the dataset, which could lead to better and more reliable results from the algorithms. For future work, more different machine learning solutions could be implemented and tested. This could result in finding more algorithms capable of accurately forecasting stock price changes in the Baltic market and could provide investors with valuable information. The development of a sentiment analysis algorithm for processing Latvian language news cycles and company press releases should also be considered as future work possibilities. Research paper is written in English. The paper has 42 pages, contains 4 tables and 7 figures. It has 35 references in the reference list. Keywords: stock price prediction, machine learning algorithms, Baltic market