Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition
Глубинное обучение (DML) в последнее время достигло большого успеха во многих областях благодаря его хорошим результатам в обработке и принятии решения на больших данных. Оно широко используется в финансовых областях, таких как прогнозирование фондового рынка, оптимизация портфеля, обработка финансо...
Main Author: | |
---|---|
Format: | Report |
Language: | unknown |
Published: |
Московский экономический журнал
2019
|
Subjects: | |
Online Access: | https://dx.doi.org/10.24411/2413-046x-2019-16031 https://cyberleninka.ru/article/n/generativno-sostyazatelnye-neyronnye-seti-v-zadachah-opredeleniya-trendov/pdf |
id |
ftdatacite:10.24411/2413-046x-2019-16031 |
---|---|
record_format |
openpolar |
spelling |
ftdatacite:10.24411/2413-046x-2019-16031 2023-05-15T16:01:38+02:00 Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition Сухань Андрей Александрович 2019 https://dx.doi.org/10.24411/2413-046x-2019-16031 https://cyberleninka.ru/article/n/generativno-sostyazatelnye-neyronnye-seti-v-zadachah-opredeleniya-trendov/pdf unknown Московский экономический журнал машинное обучение генеративно-состязательные нейронные сети биржа тренд управление активами LSTM. machine learning generative adversarial neural network stock market trend asset management LSTM Paper Text article-journal ScholarlyArticle 2019 ftdatacite https://doi.org/10.24411/2413-046x-2019-16031 2021-11-05T12:55:41Z Глубинное обучение (DML) в последнее время достигло большого успеха во многих областях благодаря его хорошим результатам в обработке и принятии решения на больших данных. Оно широко используется в финансовых областях, таких как прогнозирование фондового рынка, оптимизация портфеля, обработка финансовой информации и стратегии исполнения сделок. Прогноз фондового рынка и построение эффективных торговых стратегий на нем – это самые популярные способы применения DML в области финансов. В этой статье автор предлагает новую архитектуру условной генеративно-состязательной нейронной сети (CGAN) с многоуровневым персептроном (MLP) в качестве дискриминатора и долговременной кратковременной памятью (LSTM) в качестве генератора для определения трендов. Генератор LSTM построен для извлечения зависимостей из данных на фондовом рынке и генерирования данных в тех же распределениях c индикацией тренда, в то время как дискриминатор, разработанный на MLP, стремится различать реальные данные от сгенерированных. Автор использует дневные данные по 696 акциям в широком диапазоне торговых дней и пытается найти начало и конец тренда по ходу движения цены. Экспериментальные результаты показывают, что CGAN может дать многообещающие результаты при решении подобных задач по сравнению с другими моделями машинного обучения. : Deep machine learning (DML) has recently achieved great success in many areas due to its good results in processing and decision making on big data. It is widely used in financial areas, such as stock market forecasting, portfolio optimization, financial information processing, and transaction execution strategies. Forecasting the stock market and building effective trading strategies on it are the most popular ways to use DML in the area of finance. In this article, the author proposes a new conditional generative adversarial neural network (CGAN) architecture with a multilevel perceptron (MLP) as a discriminator and a long-term short-term memory (LSTM) as a generator for trend detection. The LSTM generator is built to extract dependencies from data in the stock market and generate data in the same distributions with a trend indication, while the discriminator based on MLP seeks to distinguish real data from generated one. The author uses daily data of 696 stocks in a wide range of trading days and tries to find the beginning and end of the trend along the price movement. Experimental results show that CGAN can give promising results when solving similar problems compared to other machine learning models. Report DML DataCite Metadata Store (German National Library of Science and Technology) |
institution |
Open Polar |
collection |
DataCite Metadata Store (German National Library of Science and Technology) |
op_collection_id |
ftdatacite |
language |
unknown |
topic |
машинное обучение генеративно-состязательные нейронные сети биржа тренд управление активами LSTM. machine learning generative adversarial neural network stock market trend asset management LSTM |
spellingShingle |
машинное обучение генеративно-состязательные нейронные сети биржа тренд управление активами LSTM. machine learning generative adversarial neural network stock market trend asset management LSTM Сухань Андрей Александрович Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
topic_facet |
машинное обучение генеративно-состязательные нейронные сети биржа тренд управление активами LSTM. machine learning generative adversarial neural network stock market trend asset management LSTM |
description |
Глубинное обучение (DML) в последнее время достигло большого успеха во многих областях благодаря его хорошим результатам в обработке и принятии решения на больших данных. Оно широко используется в финансовых областях, таких как прогнозирование фондового рынка, оптимизация портфеля, обработка финансовой информации и стратегии исполнения сделок. Прогноз фондового рынка и построение эффективных торговых стратегий на нем – это самые популярные способы применения DML в области финансов. В этой статье автор предлагает новую архитектуру условной генеративно-состязательной нейронной сети (CGAN) с многоуровневым персептроном (MLP) в качестве дискриминатора и долговременной кратковременной памятью (LSTM) в качестве генератора для определения трендов. Генератор LSTM построен для извлечения зависимостей из данных на фондовом рынке и генерирования данных в тех же распределениях c индикацией тренда, в то время как дискриминатор, разработанный на MLP, стремится различать реальные данные от сгенерированных. Автор использует дневные данные по 696 акциям в широком диапазоне торговых дней и пытается найти начало и конец тренда по ходу движения цены. Экспериментальные результаты показывают, что CGAN может дать многообещающие результаты при решении подобных задач по сравнению с другими моделями машинного обучения. : Deep machine learning (DML) has recently achieved great success in many areas due to its good results in processing and decision making on big data. It is widely used in financial areas, such as stock market forecasting, portfolio optimization, financial information processing, and transaction execution strategies. Forecasting the stock market and building effective trading strategies on it are the most popular ways to use DML in the area of finance. In this article, the author proposes a new conditional generative adversarial neural network (CGAN) architecture with a multilevel perceptron (MLP) as a discriminator and a long-term short-term memory (LSTM) as a generator for trend detection. The LSTM generator is built to extract dependencies from data in the stock market and generate data in the same distributions with a trend indication, while the discriminator based on MLP seeks to distinguish real data from generated one. The author uses daily data of 696 stocks in a wide range of trading days and tries to find the beginning and end of the trend along the price movement. Experimental results show that CGAN can give promising results when solving similar problems compared to other machine learning models. |
format |
Report |
author |
Сухань Андрей Александрович |
author_facet |
Сухань Андрей Александрович |
author_sort |
Сухань Андрей Александрович |
title |
Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
title_short |
Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
title_full |
Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
title_fullStr |
Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
title_full_unstemmed |
Генеративно-состязательные нейронные сети в задачах определения трендов : Applying generative adversarial network to the problem of trend determenition |
title_sort |
генеративно-состязательные нейронные сети в задачах определения трендов : applying generative adversarial network to the problem of trend determenition |
publisher |
Московский экономический журнал |
publishDate |
2019 |
url |
https://dx.doi.org/10.24411/2413-046x-2019-16031 https://cyberleninka.ru/article/n/generativno-sostyazatelnye-neyronnye-seti-v-zadachah-opredeleniya-trendov/pdf |
genre |
DML |
genre_facet |
DML |
op_doi |
https://doi.org/10.24411/2413-046x-2019-16031 |
_version_ |
1766397406506647552 |