Пошук академічних текстів

Інформація × Реєстраційний номер 2120U001916, Матеріали видань та локальних репозитаріїв Категорія Стаття Назва роботи Innovations in Management Forecast: Time Development of Stock Prices with Neural Networks Автор Дата публікації 01-01-2020 Постачальник інформації Сумський державний університет Першоджерело https://essuir.sumdu.edu.ua/handle/123456789/78432 Видання Sumy State University Опис У статті визначено, що довгострокове прогнозування волатильності вартості акцій на фондової біржі вимагає використання інноваційних інструментів та методів. Результати систематизації наукових джерел свідчать, що однією з переваг довгострокового прогнозування вартості акцій є отримання емпірично підтвердженої інформації для прийняття відповідних рішень інвесторами. Дослідження волатильності вартості акцій є динамічним та нелінійним процесом, на який впливає низка факторів. Авторами наголошено, що одним із значущих факторів є рівень непередбачуваності, що зростає під час настання криз. У зв’язку з цим традиційні методи прогнозування зміни вартості акцій є не ефективними. Головною метою статті є удосконалення методів управління процесу прогнозування динаміки вартості акцій з використанням нейронних мереж. Авторами проаналізовано дані щодо цін на акції енергетичної компанії CEZ з 2012 по 2017 року, які отримано з бази даних фондової біржі Праги. У статті застосовано програмне забезпечення Statistica для формування мереж багатошарового персептрону (MLP) та мереж радіальної базисної функції (RBF), програмне забезпечення Matlab – для формування регресії опорних векторів (SVR) та нейронних мереж з алгоритмом зворотнього розповсюдження (BPNN). Результати дослідження засвідчили, що мережі MLP мали вищий рівень стабільності та ефективності, ніж мережі SVR та BPNN. Наголошено, що відхилення у 2,26% спостерігається у значущому диференціалі за максимального та мінімального горизонту прогнозу, що є несуттєвим у випадку зміни вартості однієї акції. Однак, при купівлі чи продажі пакету акцій, дана різниця може суттєво збільшитись. Таким чином, враховуючи отримані результати, у статті рекомендовано практичне застосування мереж MLP 1-2-1 та MLP 1-5-1. При цьому MLP 1-2-1 мережа дозволяє побудувати песимістичний та мінімальний прогноз, тоді як MLP 1-5-1 мережа – оптимістичний та максимальний. Accurate prediction of stock market values is a challenging task for over decades. Prediction of stock prices is associated with numerous benefits including but not limited to helping investors make wise decisions to accumulate profits. The development of the share price is a dynamic and nonlinear process affected by several factors. What is interesting is the unpredictability of share prices due to the global financial crisis. However, classical methods are no longer sufficient for the application of share price development prediction. However, over-relying on prediction data can lead to losses in the case of software malfunction. This paper aims to innovate the prediction management when predicting the share price development over time by the use of neural networks. For the contribution, the data on the prices of CEZ, a.s. shares obtained from the Prague Stock Exchange database. The stock price data are available for the period 2012-2017. In the case of Statistica software, the multilayer perceptron networks (MLP) and the radial basis function networks (RBF) are generated. In the case of Matlab software, the Support Vector Regression (SVR) and the Back-Propagation Neural Network (BPNN) are generated. The networks with the best characteristics are retained and based on the statistical interpretation of the results, and all are applicable in practice. In all data sets, MLP networks show stable performance better than in the case of SVR and BPNN networks. As for the final assessment, the deviation of 2.26% occurs in the most significant differential of the maximal and the minimal prediction. It is not necessarily significant regarding the price of one stock. However, in the case of purchasing or selling a large number of stocks, the difference may seem significant. Therefore, in practice, the application of two networks is recommended: MLP 1-2-1 and MLP 1-5-1. The first network always represents a pessimistic, minimal prediction. The second one of the recommended networks is an optimistic, maximal prediction. The actual situation should correspond to the interval of the difference between the optimistic and pessimistic prediction. Додано в НРАТ 2025-03-24 Закрити