Генеративно-змагальна нейронна мережа для прогнозування фондового ринку

Скорочена інформація про документ
dc.contributor.advisorДанилов, Валерій Якович
dc.contributor.authorБородай, Тетяна Анатоліївна
dc.date.accessioned2021-03-30T14:49:53Z
dc.date.available2021-03-30T14:49:53Z
dc.date.issued2020
dc.description.abstractenMaster thesis: 106 p., 22 tables, 19 figures. 2 items, 37 sources. The object of the study is the movement of Goldman Saches shares. The purpose of the work is to implement a hybrid generative-competitive neural network for stock market forecasting. Investigate the influence of model parameter values on model accuracy. Compare the results of the forecast method with other forecast methods. Research methods - to implement a generative-competitive neural network and explore its work. In paper, an easy-to-use stock market forecasting model was proposed. Reinforced training was used to optimize hyperparameters, as stock markets are constantly changing. Even if you can teach GAN and LSTM to create extremely accurate results, the results can only be valid for a certain period of time. This means that you need to constantly optimize the whole process. Based on a network of deep learning, this model achieves the ability to predict, which surpasses other basic methods, through competitive training, minimizing the loss of directional prediction and loss of predicted errors. Moreover, the effects of model update cycles on predictability are analyzed, and experimental results show that a smaller model update cycle can obtain better prediction results. In the future, we will try to create an RL environment for testing trading algorithms that decide when and how to trade. Exiting the GAN will be one of the parameters in the environment.uk
dc.description.abstractukМагістерська дисертація: 106 с., 22 табл., 19 рис. 2 дод., 37 джерел. Об’єкт дослідження – рух цін акцій Goldman Saches. Мета роботи – реалізувати генеративно-змагальну нейронну мережу для прогнозування фондового ринку. Дослідити вплив значень параметрів моделі на точність моделі. Порівняти результати прогнозу методу з іншими методами прогнозу. Методи дослідження – реалізувати генеративно-змагальну нейронну мережу і дослідити її роботу. У роботі було запропоновано просту у використанні модель прогнозування фондовго ринку. Було використано навчання з підкріпленням при оптимізації гіперпараметрів, адже фондові ринки весь час змінюються. Навіть якщо вдається навчити GAN та LSTM створювати надзвичайно точні результати, результати можуть бути дійсними лише протягом певного періоду. Це означає, що потрібно постійно оптимізувати весь процес. Заснована на мережі глибокого навчання, ця модель досягає здатності прогнозування, що перевершує інші базові методи, за допомогою змагальних тренувань, мінімізації втрат прогнозування напрямку та втрати прогнозованих помилок. У майбутньому ми спробуємо створити середовище RL для тестування торгових алгоритмів, які вирішують, коли і як торгувати. Вихід з GAN буде одним із параметрів у середовищі.uk
dc.format.page106 с.uk
dc.identifier.citationБородай, Т. А. Генеративно-змагальна нейронна мережа для прогнозування фондового ринку : магістерська дис. : 124 Системний аналіз / Бородай Тетяна Анатоліївна. – Київ, 2020. – 106 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/40340
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectнейронuk
dc.subjectнейронна мережаuk
dc.subjectгенеративно-змагальна нейронна мережаuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectпрогнозuk
dc.subjectgmdhuk
dc.subjectneural networkuk
dc.subjectgenerative adversial networkuk
dc.subjectforecastuk
dc.subject.udc004.056.53uk
dc.titleГенеративно-змагальна нейронна мережа для прогнозування фондового ринкуuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Borodai_magistr.pdf
Розмір:
2.07 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи