Dirbtiniu intelektu grįstų metodų taikymo akcijų kainų prognozei tyrimas

Licencinė sutartis Nr. MRU-EDT-400

Akcijų kainų prognozavimas remiantis dirbtiniu intelektu pastaruoju laikotarpiu tampa vis labiau plėtojama tyrimų tema. Vyraujant nežinomybei finansų rinkose sparčiai besikeičiančiame pasaulyje, ieškoma naujų sprendimų, gebančių įtraukti kuo daugiau žinomų akcijų kainoms įtaką turinčių veiksnių. Tobulėjant informacinėms technologijoms, akcijų prognozavimą tradiciniais būdais pakeitė mašininis mokymasis, kuris šiai dienai turi didelį potencialą pritaikomumui finansų rinkose, ypatingai laiko eilučių prognozavime. Mašininis mokymasis, kaip AI atmaina, siūlo platų modelių spektrą laiko eilučių prognozavimui vykdyti, tačiau, kadangi tyrimų nėra daug ir vis dar nėra sukurto vieno tobulo algoritmo, kuris tiksliai prognozuotų kainų pokyčius, ši tema vis dar yra labai aktuali. Populiariausi tiriami metodai yra dirbtiniai neuroniniai tinklai (ANN) bei atraminių vektorių mašinos (SVM) – abu šie metodai įvardijami kaip galingi įrankiai, gebantys apdoroti didelį skirtingų duomenų kiekį. Vienas pagrindinių jų skirtumų yra tas, jog ANN remiasi fundamentalios analizes logika, tuo tarpu SVM –technine analize. Šio tyrimo problema iškelia klausimą, ar prognozuojant S&P 500 indekso kitimą ANN bei SVM metodais galima pasiekti tikslių rezultatų. Tyrimu siekiama išanalizuoti dirbtinio intelekto sampratą ir jo pritaikomumą akcijų kainų prognozavime, tuo remiantis sukurti tyrimo metodologiją bei atlikti empirinį tyrimą praktiškai pritaikant ANN ir SVM indekso kainų kitimui prognozuoti. Duomenų pagrindą sudaro dešimties metų laikotarpio (2010.01.01 – 2020.01.01) S&P 500 indekso uždarymo kainos. ANN modeliui naudoti dvidešimt kintamųjų, suskirstyti į šešias grupes -S&P indekso grąža, finansiniai ir ekonominiai indikatoriai (tokie kaip nafta, auksas), penkių didžiausių indeksui priklausančių įmonių grąža, valiutų kursų pokytis, keturių didžiausių akcijų indeksų grąžos bei prekybos apimtys.

Stock price forecasting based on artificial intelligence methods has recently became an increasingly evolving research topic. With the uncertainty prevailing in the financial markets in a rapidly changing world, new solutions are being sought that are able to incorporate as many known factors as possible which influence stock prices. With the development of information technology, stock forecasting in the traditional ways has been replaced by machine learning techniques, which has great potential for applicability in financial markets, especially in time series forecasting. Machine learning, as a significant part of AI, offers a wide range of models for time series prediction, however, as there are not many researches available and no single perfect algorithm exists which is able to accurately predict price changes, this topic still remains very relevant. The most popular studied methods are artificial neural networks (ANN) and support vector machines (SVM), both of which are identified as powerful tools capable of processing large amounts of different data. One of their main differences is that ANN is based on the logic of fundamental analysis, while SVM is based on technical analysis. The problem of this study raises the question of whether accurate results can be obtained by predicting the change of the S&P 500 index using the ANN and SVM methods. The research aims to analyze the concept of artificial intelligence and its applicability in stock price forecasting, on the basis of which to develop a research methodology and conduct empirical research by practically applying the ANN and SVM to forecast index price changes. The data is based on the closing prices of the S&P 500 index for a period of ten years (01.01.2010 - 01.01.2010). The ANN model used twenty variables divided into six groups: S&P index returns, financial and economic indicators (such as oil, gold), returns of the five largest companies in the index, exchange rate changes, returns of the four largest stock indices, and trading volumes.