ҚОР НАРЫҒЫ БАҒАЛАРЫН БОЛЖАУҒА АРНАЛҒАН НЕЙРОНДЫҚ ЖЕЛІ МОДЕЛЬДЕРІНІҢ САЛЫСТЫРМАЛЫ ТАЛДАУЫ

Қор нарығының қозғалысын болжау оның тұрақсыз және болжанбайтын табиғатына байланысты күрделі міндет болып қала береді. Экономикалық көрсеткіштер, нарықтық көңіл-күй және жаһандық оқиғалар акция бағасының өзгеруіне айтарлықтай әсер етеді, бұл инвесторлардың трендтерді дәл болжауын қиындатады. Дәстүрлі әдістер тарихи тәуекелдерді, кірістерді және баға үлгілерін талдауға негізделген, бірақ олар үлкен көлемдегі деректерді тиімді өңдеуде шектеулерге ие. Терең оқытудың дамуының арқасында нейрондық желілер акция бағасын болжаудың қуатты құралына айналды. Бұл зерттеуде біз бес нейрондық желі архитектурасын салыстырамыз: қайталанатын нейрондық желілер (RNN), ұзақ қысқа мерзімді жады желілері (LSTM), басқарылатын қайталанатын блоктар (GRU), сверткіш нейрондық желілер (CNN) және жасанды нейрондық желілер (ANN). Деректер көзі ретінде Yahoo Finance API пайдаланылады, ол қаржылық талдау үшін кеңінен қолданылатын сенімді платформа болып табылады. Тарихи деректер оқыту жиынтығына (80%) және сынақ жиынтығына (20%) бөлінеді, ал ең жақсы нәтижеге қол жеткізу үшін гиперпараметрлер реттеледі. Деректерді алдын ала өңдеу тазарту және қалыпқа келтіру арқылы жүзеге асырылады, бұл модельдердің дәлдігі мен тиімділігін арттырады. Модельдердің жұмысын бағалау үшін орташа абсолюттік қате (MAE), орташа квадраттық қате (MSE), орташа квадраттық қатенің түбірі (RMSE) және детерминация коэффициенті (R²) қолданылады. Сонымен қатар, қателер матрицасы және ROC қисығы астындағы аудан (ROC-AUC) арқылы классификация дәлдігі бағаланады. Зерттеу нәтижелері GRU моделінің ең жоғары дәлдік пен сенімділікке ие екенін көрсетеді, ол регрессиялық және классификациялық метрикалар бойынша үздік нәтиже береді. Керісінше, қарапайым ANN моделі ең әлсіз нәтижелерді көрсетеді, бұл әртүрлі нейрондық желі архитектураларының болжамдық мүмкіндіктеріндегі айырмашылықтарды айқындайды. Бұл қорытындылар қаржылық болжам жасау үшін дұрыс модельді таңдаудың маңыздылығын растайды, өйткені терең оқыту әдістері үнемі дамып, қор нарығының болжамдарын жақсарта береді.

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