ОГЛЯД МЕТОДІВ МАШИННОГО НАВЧАННЯ В ЗАДАЧІ ПРОГНОЗУВАННЯ ФІНАНСОВИХ ЧАСОВИХ РЯДІВ

  • К. М. Гурєєва Запорізький національний університет
  • О. В. Кудін Запорізький національний університет
  • А. О. Лісняк Запорізький національний університет
Ключові слова: фінансовий часовий ряд, машинне навчання, класифікація, прогнозування

Анотація

Часові ряди, які відображають динаміку деякого процесу, є досить складними за своєю структурою та можуть включати тренд, сезонну складову, випадковий шум. Такі часові ряди містять характеристики, що описують зміни стану системи протягом її еволюції. Наприклад, фінансові часові ряди відображають поточний економічний стан, і тому перспективними є дослідження в цій сфері для моделювання подальшого розвитку економіки. У літературі запропоновано велику кількість різноманітних моделей для вирішення проблем прогнозування, це класичні методи математичної статистики, а також методи машинного навчання. Актуальною є задача аналізу сучасних методів і моделей прогнозування фінансових часових рядів та класифікації досить великого обсягу існуючих публікацій за певними ознаками. Метою даної роботи є огляд останніх публікацій з прогнозування фінансових часових рядів, що використовують машинне навчання, статистичні підходи та гібридні моделі. На основі аналізу підходів, що використовуються в різних публікаціях, можна їх класифікувати за двома категоріями. До першої категорії належать роботи, у яких прогнозування здійснюється на основі попередніх значень часових рядів. У публікаціях цього класу використовуються класичні статистичні підходи, такі як ARIMA, GARCH та інші варіанти цих алгоритмів. Також застосовуються прогностичні моделі на основі методів машинного навчання: методу опорних векторів, k-найближчих сусідів, дерев рішень, нейронних мереж різних типів. У багатьох статтях для обробки даних використовуються перетворення Фур’є або вейвлет-перетворення. До другої категорії належать публікації, в яких автори намагаються об’єднати інформацію про конкретні події (фінансові або політичні новини, пошукові запити користувачів) та історію попередніх значень часових рядів. Такі моделі більш складні за рахунок великої кількості параметрів. На підставі аналізу публікацій та методів, що використовуються в них, можна зробити висновок, що найбільш перспективним напрямком дослідження є розробка гібридних систем, що поєднують прогнозування майбутніх значень часових рядів на основі історичних даних і використання додаткових даних з новин, статистики пошукових систем і т.д. Одним з методів розробки таких гібридних систем може бути метод побудови ансамблю різних моделей машинного навчання, які використовували б різні дані для навчання. Перевагою такого підходу є його адаптивність з точки зору використання обчислювальних ресурсів.

Посилання

1. Fama E. F. Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance. 1970. Vol. 25, N. 2. P. 383–417
2. Lo A. W. Adaptive Markets. Princeton University Press, 2017. 483 p.
3. Brockwell P. J., Davis R. A. Introduction to Time Series and Forecasting. New York: Springer, 2016. 425 p.
4. De Gooijer J. G. Elements of Nonlinear Time Series Analysis and Forecasting. New York: Springer, 2017. 622 p.
5. Hansen P. R., Lunde A. A Forecast Comparison of Volatility Models: Does Anything Beat a GARCH(1,1)? Journal of Applied Econometrics. 2005. Vol. 20. P. 873–879
6. Chakraborti A., Patriarca M., Santhanam M. S. Financial time-series analysis: A brief overview. 2007. URL: https://arxiv.org/abs/0704.1738.
7. Leng J. Modelling and Analysis on Noisy Financial Time Series. Journal of Computer and Communications. 2014. Vol. 2. P. 64–69.
8. Truong Buu-Chau, Chen Cathy W. S., So Mike K. P. Model selection of a switching mechanism for financial time series. Applied Stochastic Models in Business and Industry. 2016. P. 1-16.
9. Rostan P., Rostan A. The versatility of spectrum analysis for forecasting financial time series. Journal of Forecasting. 2017, Vol. 37. Issue 3. P. 327–339. DOI: https://doi.org/10.1002/for.2504.
10. Barbulescu A. Bautu E. A Hybrid Approach for Modeling Financial Time Series. The International Arab Journal of Information Technology. 2012, Vol. 9, N. 4, P. 327–335.
11. Kapila Tharanga Rathnayaka R. M., Seneiratna D. M. K. N, Arumawadu H. I. A New Financial Time Series Approach for Volatility Forecasting. Symposium on Statistical & Computational Modelling with Applications. 2016. P. 5–8.
12. Khashei M., Hajirahim Z. Performance evaluation of series and parallel strategies for financial time series forecasting. Financial Innovation. 2017. 3:24. DOI: https://doi.org/10.1186/s40854-017-0074-9.
13. Gautam A., Singh V. A Novel Approach for Decomposition of Financial Time Series. Recent Innovations is Signal Processing and Embedded Systems (RISE-2017). 2017. DOI: 10.1109/RISE.2017.8378214.
14. Fabregues L., Arratia A., Belanche L.A. Forecasting Financial Time Series with Multiple Kernel Learning. Advances in Computational Intelligence. IWANN 2017. Lecture Notes in Computer Science. 2017. Vol 10306. P. 176-187. DOI: 10.1007/978-3-319-59147-6_16.
15. Zhu F., Quan W., Zheng Z., Wan S. A Bayesian Learning Method for Financial Time-Series Analysis. IEEE Access. 2018. Vol. 6. P. 38959–38966. DOI: 10.1109/ACCESS.2018.2853998.
16. Guilherme A. Barreto. Time Series Prediction with the Self-Orginizing Map: Review. Perspectives of Neural-Symbolic Integration. Studies in Computational Intelligence. 2007. Vol 77. P. 135-158. DOI:https://doi.org/10.1007/978-3-540-73954-8_6.
17. Kavitha S., Raja Vadhana P., Nivi A. N. Big Data Analytics In Financial Market. International Journal of Research in Engineering and Technology. 2015. Vol. 04, Issue 02. P. 422-427.
18. Dingli A., Fournier K.S. Financial Time Series Forecasting – A Machine Learning Approach. Machine Learning and Applications: An International Journal (MLAIJ). 2017. Vol. 4, No. 1/2/3.
19. Lorant Bodis. Financial Time Series Forecasting Using Artificial Neural Networks. Master Thesis. 2004.
20. Nayak S. C., Misra B. B., Behera H. S. Cooperative Optimization for Efficient Financial Time Series Forecasting. 2014 International Conference on Computing for Sustainable Global Development (INDIACom). 2014. P. 124-129.
21. Jin S., Su L., Ullah A. Robustify Financial Time Series Forecasting with Bagging. Econometric Reviews. 2014. Vol. 33(5–6). P. 575–605.
22. Wang J., Wang J., Fang W., Niu H. Financial Time Series Prediction Using Elman Recurrent Random Neural Networks. Computational Intelligence and Neuroscience. 2016. P. 1-14. DOI: http://dx.doi.org/10.1155/2016/4742515.
23. Sreelekshmy S., Vinayakumar R, Gopalakrishnan E.A, Vijay K.M., Soman K.P. Stock Price Prediction Using LSTM, RNN And CNN-Sliding Window Model. 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI). 2017. P. 1643-1647. DOI: 10.1109/ICACCI.2017.8126078.
24. Chowdhury U. N., Chakravarty S. K., Hossain Md. T. Short-Term Financial Time Series Forecasting Integrating Principal Component Analysis and Independent Component Analysis with Support Vector Regression. Journal of Computer and Communications. 2018. Vol. 6. P. 51-67
25. Sun S., Wei Y., Wang S. AdaBoost-LSTM Ensemble Learning for Financial Time Series Forecasting. ICCS 2018: Computational Science – ICCS 2018. 2018. P. 590-597. DOI: 10.1007/978-3-319-93713-7_55.
26. Assis C. A. S., Machado E. J., Pereira A. C. M., Carrano E. G. Hybrid deep learning approach for financial time series classification. Revista Brasileira de Computação Aplicada. 2018, Vol. 10, N. 2, P. 54–63.
27. Pang S., Sarrafzadeh A., Inoue D. Referential kNN Regression for Financial Time Series Forecasting. ICONIP 2013. 2013. Part I. P. 601–608.
28. Yujun Y., Yimei Y., Jianping L. Research on financial time series forecasting based on SVM. 13th International Computer Conference on Wavelet Active Media Technology and Information Processing (ICCWAMTIP). 2016. P. 346–349. DOI: 10.1109/ICCWAMTIP.2016.8079870.
29. Yan H., Ouyang H. Financial Time Series Prediction Based on Deep Learning. Wireless Pers Commun. 2018. Vol. 102, Issue 2. P. 683–700. DOI: https://doi.org/10.1007/s11277-017-5086-2.
30. Stefano Di D., Pediroda V. A news-based financial time series discretization. Proceedings of the 6th International Workshop on Self-Organizing Maps. 2007. P. 1–8.
31. Schumaker R., Chen H. Textual Analysis of Stock Market Prediction Using Breaking Financial News: The AZFinText System. ACM Transactions on Information Systems. 2009. Vol. 27(2).
32. Kaya Yasef M. I., Karsligil M. E. Stock Price Prediction Using Financial News Articles. 2010 2nd IEEE International Conference on Information and Financial Engineering. 2010. P. 478–482. DOI: 10.1109/ICIFE.2010.5609404.
33. Bollen J., Mao H., Zeng X.-J. Twitter mood predicts the stock market. 2010. Ref: https://arxiv.org/pdf/1010.3003.pdf.
34. Li X., Wang C., Dong J., Wang F., Deng X., Zhu S. Improving Stock Market Prediction by Integrating Both Market News and Stock Prices. DEXA 2011, Part II, LNCS 6861. 2011. P. 279–293.
35. Ruiz E. J., Hristidis V., Castillo C., Gionis A., Jaimes A. Correlating Financial Time Series with Micro-Blogging Activity. WSDM ‘12 Proceedings of the fifth ACM international conference on Web search and data mining. 2012. P. 513–522. DOI: 10.1145/2124295.2124358.
36. Abdullah S. S., Rahaman M. S., Rahman M. S. Analysis of Stock Market using Text Mining and Natural Language Processing. International Conference on Informatics, Electronics and Vision (ICIEV). 2013. DOI: 10.1109/ICIEV.2013.6572673.
37. Hagenau M., Liebmann M., Neumann D. Automated news reading: Stock price prediction based on financial news using context-capturing features. Decision Support Systems. 2013. Vol. 55. P. 685–697.
38. Curme C., Preis T., Stanley H.E., Moat H.S. Quantifying the semantics of search behavior before stock market moves. PNAS. 2014. Vol. 111, N. 32. P. 11600–11605.
39. Seker S. E., Mert C., Al-Naami K., Ozalp N., Ayan U. Time Series Analysis On Stock Market For Text Mining Correlation Of Economy News. International Journal Of Social Sciences And Humanity Studies. 2014. Vol 6, No 1. ISSN: 1309-8063 (Online).
40. Ding X., Zhang Y., Liu T., Duan J. Using structured events to predict stock price movement: An empirical investigation. Proceedings EMNLP. 2014. P. 1415–1425.
41. Ding X., Zhang Y., Liu T., Duan J. Deep Learning for Event-Driven Stock Prediction. Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI 2015). 2015. P. 2327–2333.
42. Кононова К. Ю., Дек А. О. Прогнозування Фінансових Рядів: Семантичний Аналіз Економічних Новин. Нейро-нечіткі технології моделювання в економіці. 2016. № 5. C. 82–92.
43. Bruyn De M. From Word to Financial Time Series Embedding. 2018. Ref: https://ssrn.com/abstract=3184513.
44. Catania L., Grassi S. Modelling Crypto–Currencies Financial Time–Series. 2017. DOI: 10.2139/ssrn.3028486.
45. Raghava-Raju A. A Machine Learning Approach to Forecast Bitcoin Prices. International Journal of Computer Applications (0975 – 8887). 2018. Vol. 182, No. 24.
46. Shen D., Urquhart A., Wang P. Does twitter predict Bitcoin? Economics Letters. 2018. DOI: https://doi.org/10.1016/j.econlet.2018.11.007.
47. Yenidogan I., Cayir A., Kozan O., Dag T., Arslan C. Bitcoin Forecasting Using ARIMA and PROPHET. 3rd International Conference on Computer Science and Engineering UBMK’18. 2018. DOI: 10.1109/UBMK.2018.8566476.
48. Guo T., Antulov-Fantulin N. An experimental study of Bitcoin fluctuation using machine learning methods. 2018. URL: https://arxiv.org/abs/1802.04065.
49. Seo Y., Hwang C. Predicting Bitcoin Market Trend with Deep Learning Models. Quantitative Bio-Science. 2018. Vol. 37, No. 1. P. 65-71
50. Nakano M., Takahashi A., Takahashi S. Bitcoin technical trading with artificial neural network. Physica A. 2018. № 510. P. 587–609
51. Matas Navickas, Ignas Bagdonas, Vu Ngoc Viet Nguyen. Predicting Bitcoin Price using Machine Learning. 2018. Report.
52. Hutto C. J., Gilbert E. VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. 8th international AAAI conference on weblogs and social media (ICWSM). 2014.
Опубліковано
2018-12-17
Як цитувати
Гурєєва, К. М., Кудін, О. В., & Лісняк, А. О. (2018). ОГЛЯД МЕТОДІВ МАШИННОГО НАВЧАННЯ В ЗАДАЧІ ПРОГНОЗУВАННЯ ФІНАНСОВИХ ЧАСОВИХ РЯДІВ. Computer Science and Applied Mathematics, (2), 18-28. вилучено із https://journalsofznu.zp.ua/index.php/comp-science/article/view/1224

Статті цього автора (авторів), які найбільше читають