Ру
Регистрация Вход
  1. Главная
  2. Конференция
  3. Финансово-кредитный механизм регулирования социаль...
  4. Эффективность нейронных сетей в прогнозировании фо...

Эффективность нейронных сетей в прогнозировании фондового рынка

Статья в сборнике трудов конференции
Всероссийская научно-практическая конференция «Финансово-кредитный механизм регулирования социально-экономического развития в условиях демографической и структурной трансформации»
Creative commons logo
Опубликовано в:
Всероссийская научно-практическая конференция «Финансово-кредитный механизм регулирования социально-экономического развития в условиях демографической и структурной трансформации»
Автор:
Кокшин А. Э. 1
Рубрика:
Цифровая трансформация и технологии искусственного интеллекта
Страницы:
168-171
Получена: 26.09.2024

Рейтинг:
Статья просмотрена:
455 раз
Размещено в:
РИНЦ
1 Чувашский государственный университет им. И.Н. Ульянова
Для цитирования:
Кокшин А. Э. Эффективность нейронных сетей в прогнозировании фондового рынка: сборник трудов конференции. // Финансово-кредитный механизм регулирования социально-экономического развития в условиях демографической и структурной трансформации : сборник материалов Всерос. науч.-практ. конф. (Чебоксары, 20-21 нояб. 2024 г.) / редкол.: Н. В. Березина [и др.] – Чебоксары: ИД «Среда», 2024. – С. 168-171. – ISBN 978-5-907830-85-1.

Аннотация

В современных условиях особо актуальным является использование информационных технологий и искусственного интеллекта в прогнозировании цен различных финансовых инструментов. Все больше набирает популярность применение методов машинного обучения, один из которых – искусственные нейронные сети. В статье исследуются нейронные сети, наиболее эффективные в прогнозировании фондового рынка, определены критерии оценки эффективности искусственных нейронных сетей, оценены предлагаемые модели и выделены их ключевые особенности.

Список литературы

  1. 1. Namdari A., Durrani T.S. A multilayer feedforward perceptron model in neural networks for predicting stock market short term trends // Operations Research Forum. – 2021. – Vol. 2. No. 38.
  2. 2. Chung H., Shin K. Genetic algorithm-optimized multi-channel convolutional neural network for stock market prediction // Neural Computing and Applications. – 2020. – Vol. 32. – Pp. 7897–7914. https://doi.org/10.1007/s00521-019-04236-3. EDN: TSZUNN
  3. 3. Jin Z., Yang Y., Liu Y. Stock closing price prediction based on sentiment analysis and LSTM // Neural Computing and Applications. – 2020. – Vol. 32. – Pp. 9713–9729. https://doi.org/10.1007/s00521-019-04504-2. EDN: OSYMNM
  4. 4. Wu J.M., Li Z., Herencsar N., Vo B., Lin J. Chun Wei A graph based CNN LSTM stock price prediction algorithm with leading indicators // Multimedia Systems. – 2023. – Vol. 29. – Pp. 1751–1770. https://doi.org/10.1007/s00530-021-00758-w. EDN: XJQVDI
  5. 5. Kurani A., Doshi P., Vakharia A., Shah M. A Comprehensive Comparative Study of Artifcial Neural Network (ANN) and Support Vector Machines (SVM) on Stock Forecasting // Annals of Data Science. – 2023. – Vol. 10. – Pp. 183–208. https://doi.org/10.1007/s40745-021-00344-x. EDN: NOVWDI

Комментарии(0)

При добавлении комментария укажите:
  • степень актуальности публикуемого материала;
  • общую оценку (оригинальность и актуальность темы, полнота, глубина, всесторонность раскрытия темы, логичность, связность, доказательность, структурная упорядоченность, характер и достоверность примеров, иллюстративного материала, убедительность выводов);
  • недостатки, недочеты;
  • вопросы и пожелания Автору.