Прогнозування цін акцій з використанням вейвлет-перетворення та нейронних мереж

Анотація

У статті розглянуто методи прогнозування цін акцій за допомогою вейвлет-перетворення та гібридних нейронних мереж, зокрема моделей CNN+LSTM. Дослідження показало, що вейвлет-перетворення, зокрема вейвлетів Добеші, ефективно виділяє ключові тренди в фінансових часових рядах, видаляючи шуми та короткотривалі коливання. Застосування CNN дозволяє виділити локальні патерни, тоді як LSTM враховує довготривалі залежності, що забезпечує високу точність прогнозування. Гібридна модель CNN+LSTM дозволяє інтегрувати ці підходи, підвищуючи ефективність аналізу складних фінансових даних. Це сприяло поліпшенню якості вхідних даних для моделі та, як наслідок, підвищенню точності прогнозів. Результати дослідження свідчать про значне покращення точності прогнозування порівняно з традиційними методами і відкривають нові перспективи для подальших досліджень у сфері застосування гібридних моделей нейронних мереж у фінансовому прогнозуванні. Зокрема, можливе дослідження інших комбінацій нейронних мереж та методів попередньої обробки даних. Впровадження цього підходу може бути корисним для фінансових аналітиків та інвесторів, сприяючи прийняттю більш обґрунтованих інвестиційних рішень і зменшенню ризиків на фінансових ринках. Отримані результати можуть бути використані фінансовими аналітиками та інвесторами для підвищення точності прогнозів, що допоможе приймати обґрунтовані інвестиційні рішення. Дослідження підтвердило, що гібридні моделі, які поєднують різні типи нейронних мереж, є ефективними для складних завдань, таких як прогнозування фінансових часових рядів