PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Artificial neural networks in financial time series forecasting
Alternative Title :Πρόβλεψη χρηματοοικονομικών χρονοσειρών με τεχνητά νευρωνικά δίκτυα
Creator :Koutsourakis, Athanasios K.
Κουτσουράκης, Αθανάσιος
Contributor :Topaloglou, Nikolaos (Επιβλέπων καθηγητής)
Tzavalis, Ilias (Εξεταστής)
Pagratis, Spyros (Εξεταστής)
Athens University of Economics and Business, Department of International and European Economic Studies (Degree granting institution)
Type :Text
Extent :81p.
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8889
Abstract :Time series forecasting is well-known for being a tough problem in the domain of finance. The traditional methods based on domain knowledge, such as autoregressive and structural time-series models, have depended on parametric models which been around for a long time and are still helpful in certain situations, but the linear assumptions underlying them may be excessively restricting. Machine learning methods and especially ANNs provide ways to learn temporal dynamics using data-driven learning, while they have been proven to be universal approximators thus, are able to approximate non linear continuous functions. Additionally, they do not require specific assumptions about themodel since the underlying relationship is decided entirely via data mining. In this paper we present a forecasting methodology to predict the Nvidia stock prices, as well as to forecast the stock return trend movement of the company’s stock, by leveraging ANNs.We focus on the Long Short-Term Memory (LSTM) recurrent neural networks, and we implement a layered architecture on which we train our neural model after adjusting the appropriate hyperparameters, then we leverage this model to forecast the stock market value one day ahead using the sliding window method. We present two hands-on case studies with Python, in the first case we predict the stock price as a univariate regression problem, and in the second case we forecast the stock returns as a multivariate regression problem using additional independent variables other than lagged values. Finally, we verify that neural networks with two hidden layers and properly adjusted hyperparameters are able to predict with high precision financial time series such as stock prices, even when trained only on historical data.
Η πρόβλεψη χρονοσειρών είναι γνωστό ότι είναι ένα δύσκολο πρόβλημα στον τομέα των οικονομικών. Οι παραδοσιακές μέθοδοι που βασίζονται στο οικονομικό πεδίο γνώσης, όπως η αυτοπαλινδρόμηση και τα μοντέλα δομικών χρονοσειρών, έχουν εξαρτηθεί από παραμετρικά μοντέλα που υπάρχουν εδώ και καιρό, τα οποία βέβαια εξακολουθούν να είναι χρήσιμα σε ορισμένες περιπτώσεις, αλλά οι υποθέσεις γραμμικότητας που τα συνοδεύει μπορεί να είναι υπερβολικά περιοριστικές. Μέθοδοι μηχανικής μάθησης και ιδιαίτερα τα τεχνητά νευρωνικά δίκτυα (ANNs) παρέχουν τρόπους εκμάθησης χρονικών δυναμικών μαθαίνοντας από τα δεδομένα, ενώ έχουν αποδειχθεί ότι μπορούν να προσεγγίζουν καθολικά οποιαδήποτε συνεχή συνάρτηση.Επιπλέον, δεν απαιτούν συγκεκριμένες υποθέσεις σχετικά με το μοντέλο δεδομένου ότι η υποκείμενη σχέση αποφασίζεται εξ ολοκλήρου μέσω της εξόρυξης δεδομένων. Σε αυτήν την εργασία παρουσιάζουμε μια μεθοδολογία πρόβλεψης τιμής μετοχής της εταιρείας Nvidia, καθώς και την τάση απόδοσής της, αξιοποιώντας τεχνητά νευρωνικά δίκτυα.Εστιάζουμε στα επαναλαμβανόμενα νευρωνικά δίκτυα μακροπρόθεσμης-βραχυπρόθεσμης μνήμης (LSTM), εφαρμόζουμε μια πολυεπίπεδη αρχιτεκτονική την οποία χρησιμοποιούμε κατά την εκπαίδευση του νευρωνικού μας μοντέλου, αφού πρώτα έχουν επιλέγει οι κατάλληλες υπερπαράμετροι.Έπειτα, αξιοποιούμε αυτό το μοντέλο για να προβλέψουμε τη χρηματιστηριακή τιμή της εταιρείας, μια μέρα μπροστά χρησιμοποιώντας τη μέθοδο sliding window. Παρουσιάζουμε μια εμπειρική εφαρμογή σε Python με δύο πρακτικές μελέτες, στην πρώτη περίπτωση προβλέπουμε την τιμή της μετοχής ως μονομεταβλητό πρόβλημα παλινδρόμησης,και στη δεύτερη περίπτωση προβλέπουμε τις αποδόσεις των μετοχών ως πολυμεταβλητό πρόβλημα παλινδρόμησηςχρησιμοποιώντας πρόσθετες ανεξάρτητες μεταβλητές εκτός από παλαιότερες τιμές.Τέλος, επαληθεύουμε ότι τα τεχνητά νευρωνικά δίκτυα με δύο κρυφά στρώματα και σωστά ρυθμισμένες υπερπαραμέτρους είναι σε θέσηνα προβλέψουν με καλή ακρίβεια οικονομικές χρονοσειρές όπως οι τιμές των μετοχών, ακόμη και όταν είναι εκπαιδευμένα μόνο με ιστορικά δεδομένα.
Subject :Finance
Stock
Artificial neural networks
Forecast
Time series
Οικονομικά
Μετοχή
Τεχνητά νευρωνικά δίκτυα
Πρόβλεψη
Χρονοσειρές
Date Available :2021-11-09 23:44:37
Date Issued :11/29/2020
Date Submitted :2021-11-09 23:44:37
Access Rights :Free access
Licence :

File: Koutsourakis_2021.pdf

Type: application/pdf