СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕН АКЦИЙ

Прогнозирование динамики фондового рынка остается сложной задачей из-за его волатильности и непредсказуемости. Экономические показатели, рыночные настроения и глобальные события оказывают значительное влияние на колебания цен акций, что затрудняет точное прогнозирование трендов инвесторами. Традиционные методы основаны на анализе исторических рисков, доходности и ценовых паттернов, однако эти подходы имеют ограничения при обработке больших объемов данных. С развитием глубинного обучения нейронные сети стали мощным инструментом для прогнозирования цен акций. В этом исследовании мы сравниваем пять архитектур нейронных сетей: рекуррентные нейронные сети (RNN), сети долговременной кратковременной памяти (LSTM), управляемые рекуррентные блоки (GRU), сверточные нейронные сети (CNN) и искусственные нейронные сети (ANN). В качестве источника данных используется Yahoo Finance API, который является надежной и широко используемой платформой для финансового анализа. Исторические данные разделены на обучающую выборку (80%) и тестовую выборку (20%), а гиперпараметры подбираются для достижения оптимальных результатов. Мы проводим предварительную обработку данных, включая очистку и нормализацию, чтобы повысить точность и эффективность моделей. Для оценки работы моделей используются средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (MSE), корень из среднеквадратичной ошибки (RMSE) и коэффициент детерминации (R²). Кроме того, мы оцениваем точность классификации с использованием матрицы ошибок и площади под кривой ROC (ROC-AUC). Результаты показывают, что модель GRU превосходит другие, обеспечивая наивысшую точность и надежность как в регрессионных, так и в классификационных метриках. В то же время простая модель ANN демонстрирует худшие результаты, что подчеркивает значительные различия в предсказательной способности различных архитектур нейросетей. Эти выводы подтверждают важность выбора правильной модели для финансового прогнозирования, поскольку методы глубинного обучения продолжают развиваться и повышать точность предсказаний фондового рынка.

1. Comparative analysis of neural network models for gesture recognition methods hands / Bulletin of NIA RK / S.B. Mukhanov et al // Information and communication technologies. – 2023 – № 2. – Р. 88.

2. Olorunnimbe K. Deep learning in the stock market – a systematic survey of practice, backtesting, and applications / K. Olorunnimbe, H. Viktor // Artif. Intell. Rev. – 2023. – Vol. 56, № 3. – P. 2057-2109.

3. Cohen G. Algorithmic Trading and Financial Forecasting Using Advanced Artificial Intelligence Methodologies: 18 / G. Cohen // Mathematics. Multidisciplinary Digital Publishing Institute. – 2022. – Vol. 10, № 18. – P. 3302.

4. Predicting stock price movement using a DBN-RNN / X. Zhang et al // Appl. Artif. Intell. – 2021. Vol. 35, № 12. – P. 876-892.

5. An innovative neural network approach for stock market prediction / X. Pang et al // J. Supercomput. – 2020. – Vol. 76, № 3. – P. 2098-2118.

6. Chong E. Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies / E. Chong, C. Han, F.C. Park // Expert Syst. Appl. – 2017. – Vol. 83. – P. 187-205.

7. Sarker I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions / I.H. Sarker // SN Comput. Sci. – 2021. – Vol. 2, № 6. – P. 420.

8. Gao Y. Stock Prediction Based on Optimized LSTM and GRU Models / Y. Gao, R. Wang, E. Zhou // Sci. Program. ed. Gupta P. – 2021. – Vol. 2021. – P. 1-8.

9. A comparison of convolutional neural networks for Kazakh sign language recognition / C. Kenshimov et al // East.-Eur. J. Enterp. Technol. – 2021. – Vol. 5, № 2(113). – P. 44-54.

10. Stock market prediction using deep learning algorithms / S. Mukherjee et al // CAAI Trans. Intell. Technol. – 2023. – Vol. 8, № 1. – P. 82-94.

11. Durairaj Dr.M. A convolutional neural network based approach to financial time series prediction / Dr.M. Durairaj, B.H.K. Mohan // Neural Comput. Appl. – 2022. – Vol. 34, № 16. – P. 13319-13337.

12. Jaiswal R. A Hybrid Convolutional Recurrent (CNN-GRU) Model for Stock Price Prediction / R. Jaiswal, B. Singh // 2022 IEEE 11th International Conference on Communication Systems and Network Technologies (CSNT). Indore, India: IEEE. – 2022. – P. 299-304.

13. Chahuán-Jiménez K. Neural Network-Based Predictive Models for Stock Market Index Forecasting / K. Chahuán-Jiménez // J. Risk Financ. Manag. – 2024. – Vol. 17, № 6. – P. 242.

14. Deep Learning for Stock Market Prediction / Nabipour M. et al. // Entropy. – 2020. – Vol. 22, № 8. – P. 840.

15. Normalization Techniques in Training DNNs: Methodology, Analysis and Application / L. Huang et al // IEEE Trans. Pattern Anal. Mach. Intell. – 2023. – Vol. 45, № 8. – P. 10173-10196.

16. Deep causal speech enhancement and recognition using efficient long-short term memory Recurrent Neural Network / Z. Li et al // PLOS ONE. Public Library of Science. – 2024. – Vol. 19, № 1. – P. e0291240.

17. Mienye I.D. Recurrent Neural Networks: A Comprehensive Review of Architectures, Variants, and Applications: 9 / I.D. Mienye, T.G. Swart, G. Obaido // Information. Multidisciplinary Digital Publishing Institute. – 2024. – Vol. 15, № 9. – P. 517.

18. GESTURE RECOGNITION OF MACHINE LEARNING AND CONVOLUTIONAL NEURAL NETWORK METHODS FOR KAZAKH SIGN LANGUAGE / S. Mukhanov et al // Sci. J. Astana IT Univ. – 2023. – P. 85-100.

19. Patil P. Long Short-Term Memory and Gated Recurrent Unit Networks for Accurate Stock Price Prediction / P. Patil, S.J. Patel // International Journal of Computer Science Trends and Technology (IJCST). – 2023. – Vol. 11, № 4. – Р. 9-12.

20. A comparative analysis of neural network models for hand gesture recognition methods / Y.N. Amirgaliyev et al // Bull. Natl. Eng. Acad. Repub. Kazakhstan. – 2023. – Vol. 88, № 2. – P. 16.

21. CNN features with bi-directional LSTM for real-time anomaly detection in surveillance networks / W. Ullah et al // Multimed. Tools Appl. – 2021. – Vol. 80, № 11. – P. 16979-16995.

22. Vallarino D. A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles. arXiv, 2024.

23. Chicco D. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation / D. Chicco, M.J. Warrens, G. Jurman // PeerJ Comput. Sci. – 2021. – Vol. 7. – P. e623.

24. Kumar R. Analysis of Financial Time Series Forecasting using Deep Learning Model / R. Kumar, P. Kumar, Y. Kumar // 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence). Noida, India: IEEE. – 2021. – P. 877-881