Розробка нейро-нечіткої моделі для прогнозування акцій компаній електромобільної промисловості

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2023.281138

Ключові слова:

прогнозування курсу акцій, кореляція технічних індикаторів, нейронна мережа, адаптивна нейронечітка система логічного висновку, сектор електромобілів

Анотація

Адаптивна нейронечітка система висновку (ANFIS) — це тип нейронної мережі, яка поєднує в собі сильні сторони як нечіткої логіки, так і штучних нейронних мереж. ANFIS є особливо корисним у біржовій торгівлі, оскільки він може справлятися з невизначеністю та неточністю даних, що часто зустрічається в даних фондового ринку. У біржовій торгівлі ANFIS можна використовувати для різноманітних цілей, наприклад для прогнозування цін на акції, виявлення прибуткових угод і виявлення тенденцій фондового ринку. Однією з ключових переваг використання ANFIS для біржової торгівлі є те, що він може обробляти як лінійні, так і нелінійні зв’язки в даних. Це особливо корисно на фондовому ринку, де зв’язки між різними змінними часто складні та нелінійні. ANFIS також можна оновлювати та перенавчати в міру появи нових даних, що дозволяє адаптуватися до мінливих умов ринку. Тому основна гіпотеза цієї роботи полягає в тому, щоб зрозуміти, чи можна спрогнозувати динаміку цін на акції компаній в секторі електромобілів (EV) за допомогою індикаторів технічного аналізу. Метою цієї роботи є створення моделі для прогнозування цін компаній у секторі електромобілів. Індикатори технічного аналізу були оброблені кількома моделями машинного навчання. Лінійні моделі зазвичай працюють гірше, ніж більш просунуті методи. Дерева рішень, будь то точні чи грубі, мають тенденцію давати гірші результати продуктивності з точки зору RMSE, MSE та MAE. Після проведення аналізу даних моделі ANFIS і BR-BPNN були визнані найефективнішими. ANFIS було навчено протягом 2000 епох, що дало мінімальний RMSE 5,90926

Біографії авторів

Alibek Barlybayev, L.N. Gumilyov Eurasian National University

Doctor PhD, Professor

Department of Artificial Intelligence Technologies

Lena Zhetkenbay, L.N. Gumilyov Eurasian National University

Doctor PhD, Tutor

Department of Artificial Intelligence Technologies

Didar Karimov, L.N. Gumilyov Eurasian National University

Student

Department of Artificial Intelligence Technologies

Banu Yergesh, L.N. Gumilyov Eurasian National University

PhD, Associated Professor

Department of Artificial Intelligence Technologies

Посилання

  1. Ma, Y., Mao, R., Lin, Q., Wu, P., Cambria, E. (2023). Multi-source aggregated classification for stock price movement prediction. Information Fusion, 91, 515–528. doi: https://doi.org/10.1016/j.inffus.2022.10.025
  2. Xu, G. (2022). Deep Learning and Machine Learning Are Being Used to Forecast the Stock Market. Smart Innovation, Systems and Technologies, 597–605. doi: https://doi.org/10.1007/978-981-19-2768-3_58
  3. Al-Nefaie, A. H., Aldhyani, T. H. H. (2022). Predicting Close Price in Emerging Saudi Stock Exchange: Time Series Models. Electronics, 11 (21), 3443. doi: https://doi.org/10.3390/electronics11213443
  4. Chen, Q., Robert, C.-Y. (2022). Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data. The Journal of Financial Data Science, 4 (4), 152–166. doi: https://doi.org/10.3905/jfds.2022.1.104
  5. Shao, B., Li, M., Zhao, Y., Bian, G. (2019). Nickel Price Forecast Based on the LSTM Neural Network Optimized by the Improved PSO Algorithm. Mathematical Problems in Engineering, 2019, 1–15. doi: https://doi.org/10.1155/2019/1934796
  6. Górna, A., Wieruszewski, M., Szabelska-Beręsewicz, A., Stanula, Z., Adamowicz, K. (2022). Biomass Price Prediction Based on the Example of Poland. Forests, 13 (12), 2179. doi: https://doi.org/10.3390/f13122179
  7. Sabri, M. S., Khalid, N., Azam, A. H. M., Sarmidi, T. (2022). Impact Analysis of the External Shocks on the Prices of Malaysian Crude Palm Oil: Evidence from a Structural Vector Autoregressive Model. Mathematics, 10 (23), 4599. doi: https://doi.org/10.3390/math10234599
  8. Javid, I., Ghazali, R., Syed, I., Zulqarnain, M., Husaini, N. A. (2022). Study on the Pakistan stock market using a new stock crisis prediction method. PLOS ONE, 17 (10), e0275022. doi: https://doi.org/10.1371/journal.pone.0275022
  9. Zhang, Q., Zhang, P., Zhou, F. (2022). Intraday and interday features in the high-frequency data: Pre- and post-Crisis evidence in China’s stock market. Expert Systems with Applications, 209, 118321. doi: https://doi.org/10.1016/j.eswa.2022.118321
  10. Cheng, C.-H., Tsai, M.-C., Chang, C. (2022). A Time Series Model Based on Deep Learning and Integrated Indicator Selection Method for Forecasting Stock Prices and Evaluating Trading Profits. Systems, 10 (6), 243. doi: https://doi.org/10.3390/systems10060243
  11. Jiménez-Preciado, A. L., Venegas-Martínez, F., Ramírez-García, A. (2022). Stock Portfolio Optimization with Competitive Advantages (MOAT): A Machine Learning Approach. Mathematics, 10 (23), 4449. doi: https://doi.org/10.3390/math10234449
  12. Duan, Z., Chen, C., Cheng, D., Liang, Y., Qian, W. (2022). Optimal Action Space Search. Proceedings of the 31st ACM International Conference on Information & Knowledge Management. doi: https://doi.org/10.1145/3511808.3557412
  13. Thavaneswaran, A., Liang, Y., Das, S., Thulasiram, R. K., Bhanushali, J. (2022). Intelligent Probabilistic Forecasts of VIX and its Volatility using Machine Learning Methods. 2022 IEEE Symposium on Computational Intelligence for Financial Engineering and Economics (CIFEr). doi: https://doi.org/10.1109/cifer52523.2022.9776069
  14. Zhu, Z., Liu, Z., Jin, G., Zhang, Z., Chen, L., Zhou, J., Zhou, J. (2021). MixSeq: Connecting Macroscopic Time Series Forecasting with Microscopic Time Series Data. Advances in Neural Information Processing Systems, 34, 12904–12916.
  15. Zhao, A., Gao, J., Guan, H. (2020). Forecasting Model for Stock Market Based on Probabilistic Linguistic Logical Relationship and Distance Measurement. Symmetry, 12 (6), 954. doi: https://doi.org/10.3390/sym12060954
  16. Almeida, R. L. de, Neves, R. F. (2022). Stock market prediction and portfolio composition using a hybrid approach combined with self-adaptive evolutionary algorithm. Expert Systems with Applications, 204, 117478. doi: https://doi.org/10.1016/j.eswa.2022.117478
  17. Kumar, G., Singh, U. P., Jain, S. (2021). Hybrid evolutionary intelligent system and hybrid time series econometric model for stock price forecasting. International Journal of Intelligent Systems, 36 (9), 4902–4935. doi: https://doi.org/10.1002/int.22495
  18. Musaev, A., Grigoriev, D. (2021). Analyzing, Modeling, and Utilizing Observation Series Correlation in Capital Markets. Computation, 9 (8), 88. doi: https://doi.org/10.3390/computation9080088
  19. Khan, A. H., Cao, X., Katsikis, V. N., Stanimirovic, P., Brajevic, I., Li, S. et al. (2020). Optimal Portfolio Management for Engineering Problems Using Nonconvex Cardinality Constraint: A Computing Perspective. IEEE Access, 8, 57437–57450. doi: https://doi.org/10.1109/access.2020.2982195
  20. Lin, Y., Lin, Z., Liao, Y., Li, Y., Xu, J., Yan, Y. (2022). Forecasting the realized volatility of stock price index: A hybrid model integrating CEEMDAN and LSTM. Expert Systems with Applications, 206, 117736. doi: https://doi.org/10.1016/j.eswa.2022.117736
  21. Liu, X., Guo, J., Wang, H., Zhang, F. (2022). Prediction of stock market index based on ISSA-BP neural network. Expert Systems with Applications, 204, 117604. doi: https://doi.org/10.1016/j.eswa.2022.117604
  22. Aldhyani, T. H. H., Alzahrani, A. (2022). Framework for Predicting and Modeling Stock Market Prices Based on Deep Learning Algorithms. Electronics, 11 (19), 3149. doi: https://doi.org/10.3390/electronics11193149
  23. Kumar, G., Jain, S., Singh, U. P. (2020). Stock Market Forecasting Using Computational Intelligence: A Survey. Archives of Computational Methods in Engineering, 28 (3), 1069–1101. doi: https://doi.org/10.1007/s11831-020-09413-5
  24. Devianto, D., Permathasari, P., Yollanda, M., Wirahadi Ahmad, A. (2020). The Model of Artificial Neural Network and Nonparametric MARS Regression for Indonesian Composite Index. IOP Conference Series: Materials Science and Engineering, 846 (1), 012007. doi: https://doi.org/10.1088/1757-899x/846/1/012007
  25. Pyo, S., Lee, J., Cha, M., Jang, H. (2017). Predictability of machine learning techniques to forecast the trends of market index prices: Hypothesis testing for the Korean stock markets. PLOS ONE, 12 (11), e0188107. doi: https://doi.org/10.1371/journal.pone.0188107
  26. Verma, P., Dumka, A., Bhardwaj, A., Ashok, A., Kestwal, M. C., Kumar, P. (2021). A Statistical Analysis of Impact of COVID19 on the Global Economy and Stock Index Returns. SN Computer Science, 2 (1). doi: https://doi.org/10.1007/s42979-020-00410-w
  27. Ampomah, E. K., Nyame, G., Qin, Z., Addo, P. C., Gyamfi, E. O., Gyan, M. (2021). Stock Market Prediction with Gaussian Naïve Bayes Machine Learning Algorithm. Informatica, 45 (2). doi: https://doi.org/10.31449/inf.v45i2.3407
  28. Ma, Y., Han, R., Wang, W. (2021). Portfolio optimization with return prediction using deep learning and machine learning. Expert Systems with Applications, 165, 113973. doi: https://doi.org/10.1016/j.eswa.2020.113973
  29. Kamal, S., Sharma, S., Kumar, V., Alshazly, H., Hussein, H. S., Martinetz, T. (2022). Trading Stocks Based on Financial News Using Attention Mechanism. Mathematics, 10 (12), 2001. doi: https://doi.org/10.3390/math10122001
  30. Chen, Y., Wu, J., Bu, H. (2018). Stock Market Embedding and Prediction: A Deep Learning Method. 2018 15th International Conference on Service Systems and Service Management (ICSSSM). doi: https://doi.org/10.1109/icsssm.2018.8464968
  31. Guarnieri, M. (2012). Looking back to electric cars. 2012 Third IEEE HISTory of ELectro-Technology CONference (HISTELCON). doi: https://doi.org/10.1109/histelcon.2012.6487583
  32. Chou, J.-S., Nguyen, N.-M., Chang, C.-P. (2022). Intelligent candlestick forecast system for financial time-series analysis using metaheuristics-optimized multi-output machine learning. Applied Soft Computing, 130, 109642. doi: https://doi.org/10.1016/j.asoc.2022.109642
  33. Ferdaus, M. M., Chakrabortty, R. K., Ryan, M. J. (2022). Multiobjective Automated Type-2 Parsimonious Learning Machine to Forecast Time-Varying Stock Indices Online. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 52 (5), 2874–2887. doi: https://doi.org/10.1109/tsmc.2021.3061389
  34. Kamara, A. F., Chen, E., Pan, Z. (2022). An ensemble of a boosted hybrid of deep learning models and technical analysis for forecasting stock prices. Information Sciences, 594, 1–19. doi: https://doi.org/10.1016/j.ins.2022.02.015
  35. Altarawneh, G. A., Hassanat, A. B., Tarawneh, A. S., Abadleh, A., Alrashidi, M., Alghamdi, M. (2022). Stock Price Forecasting for Jordan Insurance Companies Amid the COVID-19 Pandemic Utilizing Off-the-Shelf Technical Analysis Methods. Economies, 10 (2), 43. doi: https://doi.org/10.3390/economies10020043
  36. Christy Jackson, J., Prassanna, J., Abdul Quadir, Md., Sivakumar, V. (2021). WITHDRAWN: Stock market analysis and prediction using time series analysis. Materials Today: Proceedings. doi: https://doi.org/10.1016/j.matpr.2020.11.364
  37. Lee, M.-C., Chang, J.-W., Yeh, S.-C., Chia, T.-L., Liao, J.-S., Chen, X.-M. (2022). Applying attention-based BiLSTM and technical indicators in the design and performance analysis of stock trading strategies. Neural Computing and Applications, 34 (16), 13267–13279. doi: https://doi.org/10.1007/s00521-021-06828-4
  38. Banik, S., Sharma, N., Mangla, M., Mohanty, S. N., Shitharth, S. (2022). LSTM based decision support system for swing trading in stock market. Knowledge-Based Systems, 239, 107994. doi: https://doi.org/10.1016/j.knosys.2021.107994
  39. Srivastava, P. R., Zuopeng (Justin) Zhang, Eachempati, P. (2021). Deep Neural Network and Time Series Approach for Finance Systems. Journal of Organizational and End User Computing, 33 (5), 204–226. doi: https://doi.org/10.4018/joeuc.20210901.oa10
  40. Salkar, T., Shinde, A., Tamhankar, N., Bhagat, N. (2021). Algorithmic Trading using Technical Indicators. 2021 International Conference on Communication Information and Computing Technology (ICCICT). doi: https://doi.org/10.1109/iccict50803.2021.9510135
  41. Uma, K. S., Naidu, S. (2021). Prediction of Intraday Trend Reversal in Stock Market Index Through Machine Learning Algorithms. Image Processing and Capsule Networks, 331–341. doi: https://doi.org/10.1007/978-3-030-51859-2_30
  42. Sharipbay, A., Barlybayev, A., Sabyrov, T. (2016). Measure the Usability of Graphical User Interface. Advances in Intelligent Systems and Computing, 1037–1045. doi: https://doi.org/10.1007/978-3-319-31232-3_98
  43. Omarbekova, A., Sharipbay, A., Barlybaev, A. (2017). Generation of Test Questions from RDF Files Using PYTHON and SPARQL. Journal of Physics: Conference Series, 806, 012009. doi: https://doi.org/10.1088/1742-6596/806/1/012009
  44. Abdygalievich, A. S., Barlybayev, A., Amanzholovich, K. B. (2019). Quality Evaluation Fuzzy Method of Automated Control Systems on the LMS Example. IEEE Access, 7, 138000–138010. doi: https://doi.org/10.1109/access.2019.2943000
  45. Abdymanapov, S. A., Muratbekov, M., Altynbek, S., Barlybayev, A. (2021). Fuzzy Expert System of Information Security Risk Assessment on the Example of Analysis Learning Management Systems. IEEE Access, 9, 156556–156565. doi: https://doi.org/10.1109/access.2021.3129488
Розробка нейро-нечіткої моделі для прогнозування акцій компаній електромобільної промисловості

##submission.downloads##

Опубліковано

2023-08-31

Як цитувати

Barlybayev, A., Zhetkenbay, L., Karimov, D., & Yergesh, B. (2023). Розробка нейро-нечіткої моделі для прогнозування акцій компаній електромобільної промисловості. Eastern-European Journal of Enterprise Technologies, 4(4 (124), 72–87. https://doi.org/10.15587/1729-4061.2023.281138

Номер

Том 4 № 4 (124) (2023): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2023 Alibek Barlybayev, Lena Zhetkenbay, Didar Karimov, Banu Yergesh

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.