Predicting Stock Market Liquidity Using Neural Networks
Uhle, Klaus (2020)
Uhle, Klaus
2020
Tuotantotalouden DI-ohjelma - Master's Programme in Industrial Engineering and Management
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-11-12
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202010287632
https://urn.fi/URN:NBN:fi:tuni-202010287632
Tiivistelmä
This thesis proposes a long-short term memory prediction model for stock market liquidity. The prediction task was defined as a time series regression problem of the next step limit order book quantity. Level 1 depth and multi-level depth of the limit order book were used as a measure of the stock liquidity. The objective of the thesis was to research the prediction capabilities of neural networks in this prediction task.
Several popular neural networks were investigated for time series prediction and stock quantities from NASDAQ stocks were analyzed to build long-short term memory prediction model. The used dataset included intraday limit order book data from five stocks during five full trading days in 2014. The used stocks were Apple, Facebook, Google, Intel, and Microsoft. The prediction model was first optimized using Apple stock data and then tested with all the stocks. The performance of the long short-term memory prediction model was compared against a naïve prediction model that was used as a benchmark.
The long short-term memory prediction model performed better than the benchmark model in the case of the multi-level depth liquidity prediction for Apple stock. Level I depth prediction was not found suitable for the regression prediction task. The long short-term memory prediction model proved prediction capabilities only for the Apple stock that was used to optimize the model, but it was not able to generalize the prediction capability for the other stocks. For them, the naïve model outperformed the long short-term memory prediction model. This thesis provides evidence of the prediction capability for the optimized neural network prediction model but does not show any generalization capability. Tämä diplomityö esittää uuden pitkän lyhytaikaisen muistin neuroverkkoennustemallin osakemarkkinoiden likviditeetin ennustamista varten. Ennustustehtäväksi määritettiin regressiivinen aikasarjaennuste, jossa tavoitteena on ennustaa sekä tarjouskirjan ensimmäisen tason tarjousten määrää, että useamman tason tarjousten määrää seuraavan tarjouskirjatapahtuman hetkellä. Diplomityön tavoitteena oli tutkia neuroverkkojen ennustuskykyä tässä ennustetehtävässä.
Työssä tutkittiin useiden tunnettujen neuroverkkojen sopivuutta NASDAQ:in osakkeiden tarjousmäärien aikasarjaennustamiseen, minkä perusteella päädyttiin rakentamaan pitkän lyhytaikaisen muistin ennustemalli. Käytetty tietoaineisto sisälsi viiden eri osakkeen päivänsisäistä tarjouskirjadataa viiden päivän ajalta vuodelta 2014. Tietoaineistoon kuuluvat osakkeet olivat Apple, Facebook, Google, Intel ja Microsoft. Ennustemalli optimoitiin käyttämällä Applen osakedataa ja myöhemmin mallia testattiin käyttämällä muiden osakkeiden dataa. Lopuksi pitkän lyhytaikaisen muistin ennustemallin suorituskykyä verrattiin naiiviin ennustemalliin.
Pitkän lyhytaikainen muistin ennustemalli suoriutui ennustamisesta naiivia ennustemallia paremmin Applen osakkeen tarjouskirjan usean tason tarjousten määrää ennustettaessa. Ensimmäisen tason ennustaminen ei sen sijaan soveltunut regressiotehtäväksi. Pitkän lyhytaikainen muistin ennustemalli osoitti kykyä ennustaa vain Applen osakkeen datalla, jota oli myös käytetty ennustemallin optimoinnissa. Se ei kuitenkaan kyennyt yleistämään ennustuskykyä muille osakkeille, vaan naiivi ennustemalli suoriutui paremmin niiden ennustamisessa. Tämä diplomityö osoittaa ennustuskykyä optimoidulle neuroverkkomallille, mutta ei osoita sen yleistettävyyttä.
Several popular neural networks were investigated for time series prediction and stock quantities from NASDAQ stocks were analyzed to build long-short term memory prediction model. The used dataset included intraday limit order book data from five stocks during five full trading days in 2014. The used stocks were Apple, Facebook, Google, Intel, and Microsoft. The prediction model was first optimized using Apple stock data and then tested with all the stocks. The performance of the long short-term memory prediction model was compared against a naïve prediction model that was used as a benchmark.
The long short-term memory prediction model performed better than the benchmark model in the case of the multi-level depth liquidity prediction for Apple stock. Level I depth prediction was not found suitable for the regression prediction task. The long short-term memory prediction model proved prediction capabilities only for the Apple stock that was used to optimize the model, but it was not able to generalize the prediction capability for the other stocks. For them, the naïve model outperformed the long short-term memory prediction model. This thesis provides evidence of the prediction capability for the optimized neural network prediction model but does not show any generalization capability.
Työssä tutkittiin useiden tunnettujen neuroverkkojen sopivuutta NASDAQ:in osakkeiden tarjousmäärien aikasarjaennustamiseen, minkä perusteella päädyttiin rakentamaan pitkän lyhytaikaisen muistin ennustemalli. Käytetty tietoaineisto sisälsi viiden eri osakkeen päivänsisäistä tarjouskirjadataa viiden päivän ajalta vuodelta 2014. Tietoaineistoon kuuluvat osakkeet olivat Apple, Facebook, Google, Intel ja Microsoft. Ennustemalli optimoitiin käyttämällä Applen osakedataa ja myöhemmin mallia testattiin käyttämällä muiden osakkeiden dataa. Lopuksi pitkän lyhytaikaisen muistin ennustemallin suorituskykyä verrattiin naiiviin ennustemalliin.
Pitkän lyhytaikainen muistin ennustemalli suoriutui ennustamisesta naiivia ennustemallia paremmin Applen osakkeen tarjouskirjan usean tason tarjousten määrää ennustettaessa. Ensimmäisen tason ennustaminen ei sen sijaan soveltunut regressiotehtäväksi. Pitkän lyhytaikainen muistin ennustemalli osoitti kykyä ennustaa vain Applen osakkeen datalla, jota oli myös käytetty ennustemallin optimoinnissa. Se ei kuitenkaan kyennyt yleistämään ennustuskykyä muille osakkeille, vaan naiivi ennustemalli suoriutui paremmin niiden ennustamisessa. Tämä diplomityö osoittaa ennustuskykyä optimoidulle neuroverkkomallille, mutta ei osoita sen yleistettävyyttä.