РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ КАК СРЕДСТВО ПРЕДИКТИВНОГО АНАЛИЗА ДВИЖЕНИЯ ЦЕН НА ФИНАНСОВЫХ РЫНКАХ

Сучёв Николай Евгеньевич, Пантелеева Лейсан Ренатовна

В статье исследуется применение рекуррентных нейронных сетей в качестве ассистентов инверторов и трейдеров для принятия торговых решений. Для проверки гипотезы была выбрана нейронная сеть с долгой краткосрочной памятью (LSTM), в качестве анализируемого актива – товарный фьючерс золота Gold Aug 23. Исследование демонстрирует анализ и разработку методики построения и обучения модели LSTM, используя язык программирования Python и библиотеки для анализа данных. План и методика разработки включают четыре основных этапа. Сначала подготавливаются данные, на основе которых происходит обучение модели LSTM: движение цен актива и технические индикаторы RSI, EMAF, EMAM, EMAS. После чего следуют этапы по созданию архитектуры модели нейронной сети и её обучению на тестовой выборке данных. Обучение модели осуществляется с использованием алгоритма оптимизации Adam, который настраивает точность модели на основе выборки данных для обучения. Заключительным этапом в разработке нейронной сети является оценка точности прогноза модели на тестовой выборке с использованием таких коэффициентных метрик, как MSE, R2 и MAE. Результаты исследования демонстрируют высокую точность созданной LSTM модели для предсказания движения цен активов на финансовых рынках. Представленная в работе методика может быть полезна при разработке торговых стратегий и принятии решений на их основе.

Ключевые слова:прогнозирование цен финансовых активов, рекуррентные нейронные сети (RNN), нейронные сети с долгой краткосрочной памятью (LSTM), обучение модели, библиотеки для машинного обучения TensorFlow и Keras, python, расчет технических индикаторов, алгоритм оптимизации Adam, оценка точности модели, коэффициентные метрики