| Abstract |
Akcijas kļūst par arvien populārāku ieguldījumu instrumentu, un tādas finanšu lietojumprogrammas kā Revolut vienkāršo akciju tirdzniecības pieredzi. Ideja izmantot algoritmus, lai mēģinātu prognozēt akciju cenu svārstības nākotnē, nav jauna, jo šādu algoritmu pētījumi tika veikti jau 1988. gadā.
Pētījumā tiek pētīta un novērtēta esošo mašīnmācīšanās algoritmu prognožu precizitāte. Šajā pētījumā tika pētīti algoritmi Autoregressive Integrated Moving Average modelis, Prophet modelis un Long Short-Term Memory tīkls. Tika pārbaudīti mašīnmācīšanās algoritmu reālie pielietojumi finanšu jomā. Tika pārskatīti un analizēti arī esošie pētījumi jomā.
Risinājumi tika izveidoti ar pieejamajām Python bibliotēkām Google Collaboratory kodu vidē. Datu kopa tika iegūta tieši no Nasdaq Baltic tīmekļa vietnes un apstrādāta, lai novērstu trūkstošās vērtības. Algoritmi tika apmācīti un testēti ar datu kopu, izmantojot 90-10 procentu attiecību starp apmācības un testa datiem. Tika salīdzināti un analizēti mašīnmācīšanās algoritmu ģenerētie paredzējumi.
Rezultāti liecina, ka Long Short-Term Memory modelis ievērojami pārspēja Autoregressive Integrated Moving Average modeli un Prophet modeli visos precizitātes rādītājos. Tas liecina, ka dziļās mācīšanās algoritmi var būt ļoti piemēroti akciju cenu prognozēšanai. Autors uzskata, ka ARIMA un Prophet modeļi varētu būt noderīgi investoriem, kuri meklē ilgtermiņa ieguldījumu stratēģijas, jo šie algoritmi var prognozēt vispārējo tendenci, uz kādu akciju cena virzīsies nākamā mēneša vai gada laikā. Long Short-Term Memory modelis izceļas ar akciju cenu svārstību prognozēšanu īsā laika periodā, piemēram, paredzot nākamās dienas slēgšanas cenu. Rezultāti liecina, ka investori var iegūt vērtīgu informāciju no mašīnmācīšanās algoritmiem. Prognozes ne vienmēr var būt precīzas, un, paļaujoties uz algoritmiem tirdzniecības stratēģijās, pastāv financiāls risks.
Darba ierobežojumi ir pētījuma apjoms un datu kopas ierobežojumi. No Nasdaq Baltic iegūstamajiem datiem ir tikai dienas akciju cenu informācija, savukārt lielākā daļa biržu sniedz stundas cenu informāciju. Iegūstot papildu informāciju par akciju cenu, datu kopas apjoms ievērojami palielinātos, kas ļautu iegūt labākus un ticamākus algoritmu rezultātus. Turpmākos pētījumos varētu ieviest un pārbaudīt vairāk dažādu mašīnmācīšanās risinājumu. Tā rezultātā varētu atrast vairāk algoritmu, kas spētu precīzi prognozēt akciju cenu pārmaiņas Baltijas tirgū un sniegtu ieguldītājiem vērtīgu informāciju. Kā turpmāko pētījumu būtu jāapsver arī sentimenta analīzes algoritma izstrāde latviešu valodas ziņu ciklu un uzņēmumu preses relīžu apstrādei.
Pētnieciskais darbs ir rakstīts angļu valodā. Darba apjoms ir 42 lapaspuses, darbā ir 4 tabulas un 7 attēli. Atsauču sarakstā ir 35 atsauces. |
