Syväneuroverkkojen tarkkuus osakekurssien ennustamisessa
Sjöholm, Emma (2023)
Sjöholm, Emma
2023
Tieto- ja sähkötekniikan kandidaattiohjelma - Bachelor's Programme in Computing and Electrical Engineering
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-01-04
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202212209404
https://urn.fi/URN:NBN:fi:tuni-202212209404
Tiivistelmä
Osakekurssien ennustaminen on tärkeää ja mielenkiintoista, mutta myös vaikeaa. Luotettavalla mallilla sijoittaja voi tehdä suurta voittoa ja minimoida sijoitustensa riskit. Luotettavan mallin kehittäminen onkin tärkeää niin yksilöille kuin yrityksillekin. Tutkijat kehittävätkin jatkuvasti uusia malleja ennustamaan osakekurssien kehitystä entistä tarkemmin. Osakkeiden hintoihin vaikuttavavat kuitenkin useat muuttujat. Tällä vuosituhannella useat syväoppimismenetelmät ovat korvanneet perinteiset tilastolliset mallit.
Tämä tutkielma on toteutettu kirjallisuuskatkauksena. Tavoitteena on selvittää miten GRU- ja LSTM-neuroverkoilla ennustetaan osakekurssien kehitystä, miten tarkkoja osakekurssien kehityksen ennusteet ovat ja mitkä tekijät vaikuttavat tähän tarkkuuteen. Ensiksi perehdytään siihen, mitä osakekurssien ennustaminen oikeastaan on ja millaisilla mittareilla ennustuksen tarkkuutta mitataan. Tämän jälkeen tutustutaan neuroverkkojen ja syväoppimisen peruskäsitteistöön ja takaisinkytkettyihin neuroverkkoihin. Lopuksi käydään läpi miten takaisinkytkettyjä neuroverkkoja koulutetaan ennustamaan osakedataa ja millaisia tarkkuuksia eri tutkimuksissa ollaan saavutettu.
Tutkimus osoittaa, ettei LSTM:stä tai GRU:sta kumpikaan ylivoimainen, vaan suoritusteho vaihtelee datajoukkojen ja koulutustavan välillä. Objektiivisen vertailun tekeminen ei kuitenkaan ole helppoa. Koulutuksessa on kiinnitettävä huomiota siihen, mitä neuroverkoille syötetään. Turha syötedata voi heikentää tuloksia, mutta toisaalta myös oleellisen syötedatan pois jättäminen saattaa vähentää tarkkuutta. Predicting stock prices is important and interesting, but also difficult. With an accurate model, an investor can make a big profit and minimize the risks of their investments. Developing an accurate model is important for individuals and businesses alike. Scientists are constantly developing new models to predict stock price trends even more accurately. However, several variables affect stock prices. In this millennium, several deep learning methods have replaced traditional statistical models.
The research has been conducted as a literary review. The goal of is to find out how the GRU and LSTM neural networks predict stock price trends, how accurate stock price forecasts are, and what factors influence this accuracy. First, some basic theory on price forecasting and prediction accuracy measurement is introduced. This is followed by familiarization with the basic concepts of neural networks and deep learning and feedback neural networks. Finally, we will look at how recurrent neural networks are trained to predict stock data and what accuracy has been achieved in various studies.
The study shows that neither LSTM nor GRU is superior, but throughput varies between data sets and training methods. However, making an objective comparison is not easy. In training, attention should be paid to what is being fed to neural networks. Pointless input data can reduce results, but on the other hand, the exclusion of essential input data.
Tämä tutkielma on toteutettu kirjallisuuskatkauksena. Tavoitteena on selvittää miten GRU- ja LSTM-neuroverkoilla ennustetaan osakekurssien kehitystä, miten tarkkoja osakekurssien kehityksen ennusteet ovat ja mitkä tekijät vaikuttavat tähän tarkkuuteen. Ensiksi perehdytään siihen, mitä osakekurssien ennustaminen oikeastaan on ja millaisilla mittareilla ennustuksen tarkkuutta mitataan. Tämän jälkeen tutustutaan neuroverkkojen ja syväoppimisen peruskäsitteistöön ja takaisinkytkettyihin neuroverkkoihin. Lopuksi käydään läpi miten takaisinkytkettyjä neuroverkkoja koulutetaan ennustamaan osakedataa ja millaisia tarkkuuksia eri tutkimuksissa ollaan saavutettu.
Tutkimus osoittaa, ettei LSTM:stä tai GRU:sta kumpikaan ylivoimainen, vaan suoritusteho vaihtelee datajoukkojen ja koulutustavan välillä. Objektiivisen vertailun tekeminen ei kuitenkaan ole helppoa. Koulutuksessa on kiinnitettävä huomiota siihen, mitä neuroverkoille syötetään. Turha syötedata voi heikentää tuloksia, mutta toisaalta myös oleellisen syötedatan pois jättäminen saattaa vähentää tarkkuutta.
The research has been conducted as a literary review. The goal of is to find out how the GRU and LSTM neural networks predict stock price trends, how accurate stock price forecasts are, and what factors influence this accuracy. First, some basic theory on price forecasting and prediction accuracy measurement is introduced. This is followed by familiarization with the basic concepts of neural networks and deep learning and feedback neural networks. Finally, we will look at how recurrent neural networks are trained to predict stock data and what accuracy has been achieved in various studies.
The study shows that neither LSTM nor GRU is superior, but throughput varies between data sets and training methods. However, making an objective comparison is not easy. In training, attention should be paid to what is being fed to neural networks. Pointless input data can reduce results, but on the other hand, the exclusion of essential input data.
Kokoelmat
- Kandidaatintutkielmat [8709]