Прогнозування часових рядів з використанням масивів індикаторів у python
Yaroslav Anatoliyovych Kulyk, Vladyslav Volodymyrovych Kabachiy, Roman Vasylovych Maslii
Остання редакція: 2024-12-08
Анотація
Проведено аналіз методів прогнозування фінансових часових рядів, розглянуто моделі з використанням інтелектуальних технологій. Запропоновано власну модель для прогнозування часових рядів з використанням масивів індикаторів у Python. Прогнозування часових рядів є застосування моделі для прогнозування майбутніх значень на основі раніше спостережених значень. І хоча регресійний аналіз часто використовується для перевірки теорії про те, що поточне значення одного чи кількох незалежних часових рядів впливає на поточне значення іншого часового ряду, цей аналіз часових рядів не називається «аналізом часових рядів», а фокусується на порівнянні значень одного часового ряду в різні моменти часу. В якості тестових даних було взято курс валютної пари EUR/USD за 03.08.23 - 03.03.24. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Проаналізувавши отримані результати, отриманий прогноз сигналів можна використовувати як систему підтримки рішень. Точність прогнозування насамперед досягнута за рахунок використання LSTM моделі, нормуванню вхідного датасету, використанням допоміжних технічних індикаторів та підбором параметрів для моделі прогнозування. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Використовуючи LSTM, моделі прогнозування часових рядів можуть передбачати майбутні значення на основі попередніх послідовних даних. Це забезпечує більшу точність для прогнозистів попиту, що призводить до кращого прийняття рішень для бізнесу. Проблему з обчисленнями вирішує cuDNN від NVIDIA. З досвіду, cuDNN може запровадити в 10+ разів більшу швидкість, ніж стандартне використання безпосередньо CUDA. Виходячи з того, що передбачені значення ціни Close не є досить точними, було спроектовано сигнали для рекомендацій покупки/продажу позицій. Даний сигнал являє собою значення від 0 до 1, де 0 є купівля, а 1 – продаж.
DOI: https://doi.org/10.31649/mccs2024.5-17
Ключові слова
прогнозування; фінансовий часовий ряд; інтелектуальні технології; моделі прогнозування; системи прийняття рішень
Посилання
Сохацька, О. М. Фундаментальний та технічний аналіз цін товарних та фінансових ринків: навч. посіб. / О. М. Сохацька, І. В. Роговська-Іщук, С. І. Вінницький. – К. : Кондор, 2012. – 305 с.
Берзлев О. Ю. Адаптивні комбіновані моделі прогнозування біржових показників / О. Ю. Берзлев, М. М. Маляр, В. В. Ніколенко // Вісник Черкаського держ. технолог. ун-ту. Серія: технічні науки. – 2011. – № 1. – С. 50-54.
Квєтний, Р. Н., Кабачій, В. В., Чумаченко, О. О. // Імовірнісні нейронні мережі в задачах ідентифікації часових рядів - 2010. - 2-3 с. / [Електронний ресурс] - Режим доступу: http://ir.lib.vntu.edu.ua/handle/123456789/4609.
Є.І. Бакай, В.В. Кабачій // Vодель прийняття рішень на основі пари середніх з використанням оцінки різних часових вимірів [Електронний ресурс] – Режим доступу: http://ir.lib.vntu.edu.ua/bitstream/handle/123456789/13106/Buckeye%20%D0%9A%D0%B0bachiye.pdf?sequence=1&isAllowed=y
Orac R. LSTM Model. Medium [Електронний ресурс] – Режим доступу: https://towardsdatascience.com/lstm-for-time-series-prediction-de8aeb26f2ca
LSTM – PyTorch 2.4 documentation. PyTorch. [Електронний ресурс] – Режим доступу: https://pytorch.org/docs/stable/generated/torch.nn.LSTM.html