Исследование возможности применения нейронных сетей для прогнозирования финансовых временных рядов

В данном исследовании была рассмотрена модель, а затем построена и протестирована рекуррентная нейронная сеть LSTM-типа, главной особенностью которой является способность запоминать информацию на долгие периоды времени.
Целью магистерской диссертации является исследование возможности применения нейронных сетей для прогнозирования финансовых временных рядов.

Введение …………………………………………………………………………………………………………………….. 10
1. Теоретическая часть …………………………………………………………………………………………………. 12
1.1. Искусственные нейронные сети…………………………………………………………………………… 12
1.2. Обучение нейронных сетей …………………………………………………………………………………. 14
1.3. Рекуррентная сеть LSTM-типа …………………………………………………………………………….. 16
1.4. Обзор литературы ………………………………………………………………………………………………. 19
2. Практическая часть ………………………………………………………………………………………………….. 24
2.1. Построение нейронной сети типа LSTM ………………………………………………………………. 24
2.2. Прогнозирование цен закрытия акций с помощью нейронной сети LSTM типа ………. 31
3. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение………………………. 45
3.1. Предпроектный анализ. потенциальные потребители результатов исследования …….. 45
3.2. Анализ конкурентных технических решений с позиции ресурсоэффективности и
ресурсосбережения …………………………………………………………………………………………………… 46
3.3. SWOT-анализ ……………………………………………………………………………………………………… 48
3.4. Инициация проекта…………………………………………………………………………………………….. 49
3.5. Определение трудоемкости работ………………………………………………………………………… 52
3.6. Бюджет научно-технического исследования …………………………………………………………. 55
3.7. Оценка сравнительной эффективности исследования ……………………………………………. 61
3.8. Реестр рисков проекта ………………………………………………………………………………………… 64
3.9. Выводы по разделу “Финансовый менеджмент, ресурсоэффективность и
ресурсосбережение” …………………………………………………………………………………………………. 65
4. Социальная ответственность …………………………………………………………………………………….. 67
4.1. Правовые и организационные вопросы обеспечения безопасности ………………………… 68
4.2. Производственная безопасность …………………………………………………………………………. 72
4.3. Анализ вредных и опасных факторов …………………………………………………………………… 73
4.4. Экологическая безопасность ……………………………………………………………………………….. 81
4.5. Безопасность при чрезвычайных ситуациях………………………………………………………….. 82
4.6. Выводы по разделу “Социальная ответственность”……………………………………………….. 85
Заключение…………………………………………………………………………………………………………………. 86
Список публикаций студента ……………………………………………………………………………………….. 88
Список использованной литературы ……………………………………………………………………………… 89
Приложение I ……………………………………………………………………………………………………………… 91
Приложение II …………………………………………………………………………………………………………….. 95

В результате магистерской диссертации решена актуальная научно-
практическая задача прогнозирования финансовых временных рядов.
Для построения модели нейронной сети с долгой краткосрочной памятью
была изучена соответствующая литература. Обработанная и
проанализированная информация была использована для выбора дизайна слоев
и качественной настройки параметров нейронной сети.
Был осуществлен поиск, предобработка и нормализация исторических
ценовых данных для обучения и тестирования модели LSTM типа.
По ходу работы был построен алгоритм для прогнозирования цен закрытия
акций, реализующий архитектуру рекуррентной нейронной сети, построенной
на элементах долгой краткосрочной памяти (LSTM). Данная модель была
выбрана из-за того, что датасет цен закрытия акций представляет собой
временной ряд и необходимо регулярно обращаться к нему и учитывать
долгосрочный контекст. Рекуррентная нейронная сеть с долгой краткосрочной
памятью LSTM хорошо справляется с данной задачей. Программный комплекс
был реализован с помощью открытой нейросетевой библиотеки Keras.
Варьируя настройки нейросети, можно добиваться лучших результатов –
получать меньшие ошибки прогнозов сети. В данном исследовании это было
продемонстрировано для следующих параметров:
1. Увеличение количества LSTM-слоев привело к существенному
улучшению прогноза; средняя ошибка прогноза уменьшилась в пять раз – с
0,039 до 0,008. Однако, при данной процедуре следует учитывать архитектуру
вычислительного оборудования, тaк как дальнейшее увеличение количества
слоев может привести к ухудшению результатов.
2. Было показано, что добавление дополнительного полносвязного
слоя перед выходным слоем может уменьшить ошибку прогноза сети, тем
самым улучшая работу модели.
3. Проанализировав результаты экспериментов с разными
параметрами batch-size, можно сказать, что уменьшение значения данной
характеристики определяет лучшую производительность нейронной сети.
Впрочем, стоит иметь в виду, что выбор величины данной характеристики
обуславливается возможностями памяти графического или аппаратного
обеспечения.
4. Путём подбора оптимального параметра исключения нейронов
dropout = 0.35, была повышена эффективность работы сети.

Таким образом, анализируя полученные результаты экспериментов, следует
отметить, что есть ещё множество способов улучшить результат: изменение
дизайна слоев, вариации с параметрами dropout, batch-size, и epochs, разная
инициализация и схемы активации, комбинирование с другими моделями.

Подводя итог, можно сказать, что рекуррентные нейронные сети типа
LSTM могут быть хорошим подспорьем для прогнозирования финансовых
временных рядов. Однако нужно учитывать много факторов перед
применением такого рода инструмента. Определяющим результат будет
процедура правильного подбора параметров нейросети. Неправильная оценка
мощностей и архитектуры вычислительного оборудования может привести к
плохим результатам.
Список публикаций студента

1. Баяртуев Б.Р. Бэктестинг VaR / Б.Р. Баяртуев // Точная наука. – 2020. –
№79. – С.7-9. URL: https://idpluton.ru/wp-content/uploads/tv79.pdf