| Abstract |
Finanšu laika rindu datu prognozēšana kopumā un konkrētāk, akciju cenu prognozēšana, ir pētījumu jomas, par kurām pēdējos gados pieaugusi gan pētnieku, gan dažādu investoru grupu interese. Ņemot vērā šo interesi, ir veikti ievērojami pētījumi par dažādām prognozēšanas metodēm. Starp šādām metodēm īpašu uzmanību ir piesaistījušas rekursīvās neironu tīklojumi, pateicoties to dabiskajai spējai uztvert sarežģītas datu sakarības. Neskatoties uz lielo pētījumu skaitu, tomēr lielākā daļa no tiem prognozēšanas metodes novērtē galvenokārt tikai pēc regresijas rādītājiem. Savukārt virziena precizitātes un aprēķinu efektivitātes rādītāji, lai gan tiem ir liela nozīme un svarīgums reālajā dzīvē, nav tik plaši pētīti, it īpaši kombinācijā ar regresijas veiktspējas rādītājiem.
Tādējādi šīs disertācijas mērķis bija novērst šādu daudzmetrisko pārskatu trūkumu, izmantojot publiski pieejamos rīkus un datu avotus, lai novērtētu un salīdzinātu ARIMA, XGBoost, klasisko RNN, LSTM, GRU, BiRNN, BiLSTM, kā arī BiGRU prognozēšanas modeļus, izmantojot publiski pieejamus rīkus un datu avotus, un, pamatojoties uz minētās novērtēšanas un salīdzināšanas rezultātiem, sniegt ieteikumus par šādu modeļu izmantošanu.
Prognozēšanas modeļu demonstrētie regresijas veiktspējas, virziena precizitātes un aprēķinu efektivitātes rādītāji ļāva pamanīt vairākus datu kopu savstarpējos sakarības modeļus. Pirmkārt, tika novērots, ka vienvirziena RNN modeļi, un jo īpaši LSTM un GRU, sasniedza labākus regresijas rādītājus nekā visi pārējie modeļi, savukārt divvirzienu RNN, un konkrētāk BiLSTM, uzrādīja augstāku virziena precizitāti. Vismazāko apmācības laiku uzrādīja XGBoost modelis, savukārt ātrāko secinājumu izdarīšanu sasniedza seši RNN modeļi. Turklāt, pamatojoties uz minētajām tendencēm, tika izstrādāti kopumā četri konkrēti ieteikumi, katrs no kuriem sniedza priekšlikumus par prognozēšanas modeļu izvēli dažādiem scenārijiem un praktiskām vajadzībām. Visbeidzot, šādi ieteikumi tika pārbaudīti, izmantojot papildu datu kopu, kā rezultātā trīs no tiem tika pilnībā apstiprināti, bet viens daļēji, tādējādi vēl vairāk liecinot, ka izstrādātie ieteikumi varētu labi attiecināmi uz jaunām datu kopām. |
