Osakkeen hinnan ennustaminen syväoppimismalleilla

Abstract

Tulevaisuuden ennustaminen avaa paljon ovia erilaisille mahdollisuuksille. Osakkeen hinnan ennustamisen kohdalla voidaan puhua rahallisista mahdollisuuksista. Sijoittajan täytyy pystyä valitsemaan sopiva hetki sijoittaa osakkeisiin saadakseen suurimman mahdollisen hyödyn tästä. Tämän tutkielman tarkoituksena on pohtia, minkälaisia mahdollisuuksia ennustamisessa on. Tutkimuskysymykseni ovat ”Kuinka tarkasti voidaan ennustaa seuraavan päivän osakkeen hinnan muutosta eri syväoppimismalleilla?” ja ”Mitkä tekijät vaikuttavat osakkeen hinnan ennustustarkkuuteen syväoppimismalleilla?”.

Vertailin CNN-, LSTM- ja GRU-malleja sekä näiden mallien muodostamia hybridimalleja keskenään tutkimalla kirjallisuudesta löytyviä tuloksia. Tulokset taulukoitiin ja ensin vertailtiin yksittäisiä malleja keskenään, minkä jälkeen tuotiin vertailuun mukaan hybridimalleja. Tuloksien pohjalta yksittäisistä malleista paras malli on GRU, joka pystyy sopeutumaan parhaiten erilaiseen dataan sekä datamäärään. Hybridimallien kohdalla ei löytynyt yhtä parasta mallia. Kuitenkin havaittiin, että GRU-kerroksen omaavat hybridimallit voivat tuottaa merkittäviä tuloksia. Hybridimallien paremmuudesta verrattuna yksittäisiin malleihin ei voida tehdä johtopäätöksiä tutkielman pohjalta.

Osakkeen hinnan ennustustarkkuuteen vaikuttavia tekijöitä löydettiin useampia. Näihin liittyvät mallien väliset erot, kun käytetään erilaista osakedataa. Myös osakkeisiin liittyvät eri tiedot tai osakkeen ominaisuudet voivat vaikuttaa positiivisesti mallin ennustustarkkuuteen, kun ne sisällytetään mallin koulutusprosessiin. Havaittiin myös, että useamman saman kerroksen omaavilla malleilla, eli monikerroksisilla malleilla, voi olla positiivista vaikutusta ennustustarkkuuteen.