Название статьи:
Прогнозирование будущей стоимости колумбийского инвестиционного фонда с помощью рекуррентных нейронных сетей LSTM (LSTM)
Авторы: Бесерра М.К., аспирант, кафедра математических методов и цифровых технологий, Байкальский государственный университет, г. Иркутск, Российская Федерация,
bcristiancamilo@mail.ru Для цитирования:
Бесерра Муриель К.К. Прогнозирование будущей стоимости колумбийского инвестиционного фонда с помощью рекуррентных нейронных сетей LSTM (LSTM) / К.К. Бесерра Муриель. — DOI 10.17150/2713-1734.2024.6(1).78-88. — EDN LTAZEM // System Analysis & Mathematical Modeling. — 2024. — Т. 6, № 1. — С. 78–88.
В рубрике:
ТЕХНИЧЕСКИЕ НАУКИ
Год: 2024 Том: 6 Номер журнала: 1
Страницы: 78-88
Тип статьи: Научная статья
УДК: 004.942, 519.688
DOI: 10.17150/2713-1734.2024.6(1).78-88
Аннотация:
Рекуррентные нейронные используются для прогнозирования цен в финансовых временных рядах. Одной из широко используемых моделей рекуррентных нейронных сетей является модель LSTM (Long Short-Term Memory), предложенная Сеппом Хохрейтером и Юргеном Шмидхубером в их работе LONG SHORT-TERM MEMORY, опубликованной в 1997 г. Эта модель решает проблему долговременной памяти рекуррентных нейронных сетей путем добавления ячейки селективной памяти, которая действует как «фильтр», выбирая, какую информацию важно сохранить, а какая информация не имеет значения и может быть отброшена. Цель данной работы - проанализировать, насколько оригинальная LSTM-модель пригодна для прогнозирования цены колумбийского инвестиционного фонда без учета экзогенных переменных (экономических новостей, макро- и микроэкономических переменных, базовых активов, таких как акции, опционы, облигации и т.д.), влияющих на его поведение.
В данном исследовании использовались три фонда с преобладающим составом акций на колумбийском рынке, которые имеют более высокий уровень волатильности, чем государственные или частные облигации.
Ключевые слова: искусственный интеллект, глубокое обучение, инвестиционные фонды, долгосрочная память, LSTM, взаимные фонды, рекуррентные нейронные сети, RNN
Информация о статье: Дата поступления: 27 февраля 2024 г.; дата принятия к публикации: 12 марта 2024 г.; дата онлайн-размещения: 30 марта 2024 г.
Список цитируемой литературы: - Ramírez-Córdoba G. La inversión colectiva en Colombia: caracterización y análisis. 2014. 17 p. Available at: https://repository.eia.edu.co/handle/11190/702.
- Tito-Añamuro J.A. Corrupción privada: un estudio de la ausencia de reglas de derecho privado, desde el caso Interbolsa. Vniversitas, 2015, vol. 64, no. 131, pp. 440-466. DOI: http://dx.doi.org/10.11144/Javeriana.vj131.cpea.
- Sepp Hochreiter, Jürgen Schmidhuber. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8. Available at: https://doi.org/10.1162/neco.1997.9.8.1735.
- Gers F.A. Learning to Forget: Continual Prediction with LSTM. 9th International Conference on Artificial Neural Networks: ICANN. 1999. DOI: https://doi.org/10.1049/cp:19991218.
- Raschka S., Mirjalili V. Python Machine Learning. 2nd ed. Mumbai, Packt Publishing Ltd, 2017. 270 p.