АРХИТЕКТУРА ИННОВАЦИОННОЙ AI-МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕННОГО РЯДА ФЬЮЧЕРСА SIU0 С ИСПОЛЬЗОВАНИЕМ ВЕКТОРИЗОВАННЫХ НОВОСТЕЙ С WEB-САЙТОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ ЭКОНОМИКИ
DOI:
https://doi.org/10.25806/uu3-22021495-501Статья поступила в редакцию: 27.03.2021
Статья опубликована: 13.04.2021
Ключевые слова:
AI-система, фьючерсный контракт, прогноз, большие данные, нейросеть.Аннотация
Представлена разработанная инновационная AI-модель «Bot-эдвайзер», предназначенная для прогнозирования цены закрытия фьючерсного контракта SIU0 на московской бирже, включающая в себя программы Scraper, нейросеть Word2vec, нейросеть Perseptron на платформе Deductor, а также торговый терминал QUIK c интегрированным Lua-сокетом.
Исследованы теоретические основы прогнозирования временных рядов финансовых инструментов.
Рассмотрен опыт применения систем искусственного интеллекта для сбора и обработки Big Data в целях прогнозирования временных рядов, в том числе фьючерсного контракта SIU0.
Выдвинута и доказана гипотеза, что с помощью инновационной AI-модели, можно получить прогноз цены закрытия фьючерсного контракта SIU0 на 15-ти минутном таймфрейме. Предложена AI-система для повышения точности и снижения финансового риска при прогнозировании временного ряда фьючерсного контракта SIU0 для биржевой торговли. Авторами предложена инновационная AI-система, в которой для предсказания цены фьючерсного контракта SiU0. Инновационность предложенного подхода состоит в том, что для предсказания временного ряда использовались не только исторические данные - параметры японских свечей и объема, но и оцифрованные «новостные колебания» с web-сайтов. Кроме того, в целях минимизации ошибки предсказания нейросеть Perseptron, сформированная на платформе Deductor, была обучена на двух типах данных 1) стоимостном - (Pclose) и 2) логарифмированном- (ln).
Предложенная инновационная AI-модель имеет большое практическое значение, поскольку она обеспечивает высокую точность прогноза. Так, средний размер ошибки нейросети в первом случае (Pclose) составил 0,000927425, тогда как при работе второй нейросети (Pln) средний размер ошибки составил -0,051026481. Дисперсия значений ошибки в процентном отношении к цене закрытия в первом случае была 0,304107913, тогда как во втором 0,343654316, или на 4 сотых лучше.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
Word2Vec: как работать с векторными представлениями слов [Электронный ресурс] – URL: https://neurohive.io/ru/osnovy-data-science/word2vec-vektornye-predstavlenija-slov-dlja-mashinnogo-obuchenija/ (дата обращения 2 мая 2020 г.)
Ruppert D. Statistics and data analysis for financial engineering // Springer. 2019.
Jensen M., Fischer V. and Myron V. The Capital Asset Pricing Model: some empirical tests // Praeger Publishers Inc. 1972.
Eugene F. Fama and James D. MacBeth Risk, Return and Equilibrium: Empirical Tests // Journal of Political Economy, 1973. Vol. 81(3)
Frazzini A. and Pedersen L.H. Betting Against Beta. // NBER Working Paper. 2010.
Kulachinskaya A., Kravchenko V., Bezdenezhnykh T. Organizational mechanisms of allocation of subsidies for public transport in St. Petersburg // Proceedings of the 31st International Business Information Management Association Conference. – 2018. – С. 4706-4711
Demidenko D.S. Malevskaia-Malevich E.D., Dubolazova Y.A., Victorova N.G. Optimization of the innovation process management at a manufacturing enterprise // Proceedings of the 31st International Business Information Management Association Conference. – 2018. – С. 996-1003.
