Прогнозирование финансовых рынков с использованием сверточной нейронной сети

Задача. В современном мире, связанном, в частности, с развитием высоких технологий получают развитие новые, ранее не применяемые инструменты анализа больших данных, использование которых захватило и сферу финансовых рынков. Для прогнозирования движения цен на финансовых рынках стали успешно применяться нейронные сети, которые в отличие от других алгоритмов не программируются, а самообучаются. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными и на их основе прогнозировать новые данные. В статье рассматривается один из способов применения нейронных сетей для прогнозирования финансовых рынков, в частности, разработка математической модели для сверточной нейронной сети, используемой для распознавания состояния финансового рынка и предсказания будущих моментов смены тенденции. В целом разработанная математическая модель и алгоритм машинного обучения для прогнозирования состояний финансового рынка на основе сверточной нейронной сети являются рабочими, хотя и требующими дополнительной доработки. Повышение точности предсказаний описываемых моделей является основным направлением дальнейших исследований. Модель. Наряду с традиционными методиками прогнозирования (фундаментальный анализ и технический анализ) в статье особо выделяются методы интеллектуального анализа данных, наиболее известным среди которых является метод с использованием нейронных сетей. Выводы. Полученные авторами результаты говорят о высоком потенциале использования данной технологии. Однако процесс обучения нейронных сетей довольно затратный как по вычислительным ресурсам, так и по времени. Отметим, что данное исследование только один из шагов к построению эффективного инструмента прогнозирования фондового рынка. Практическое значение. Практическая важность исследования заключается в идентификации оптимальных моментов открытия позиции - покупки активов на восходящем тренде и их реализации на нисходящем тренде, которые для максимизации прибыли инвестора следует совершать как можно ближе к моменту очередной смены положения рынка.

прогнозирование финансовых рынков, машинное обучение, сверточная нейронная сеть, математическая модель, алгоритм