Žilinskienė, Inga

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.