Vorhersage von Aktienkursen mit LSTM, RNN und CNN-Gleitfenstermodell

Der Aktienmarkt oder der Aktienmarkt hat einen tiefgreifenden Einfluss auf die heutige Wirtschaft. Ein Anstieg oder Rückgang des Aktienkurses spielt eine wichtige Rolle bei der Bestimmung des Gewinns des Investors. Die bestehenden Prognosemethoden nutzen sowohl lineare (AR, MA, ARIMA) als auch nicht-lineare Algorithmen (ARCH, GARCH, Neuronale Netze), konzentrieren sich jedoch darauf, die Bewegung des Aktienindex oder die Preisprognose für ein einzelnes Unternehmen mit dem täglichen Schlusskurs vorherzusagen. Die vorgeschlagene Methode ist ein modellunabhängiger Ansatz. Hier passen wir die Daten nicht an ein bestimmtes Modell an, sondern identifizieren die latenten Dynamiken, die in den Daten mithilfe von Deep-Learning-Architekturen vorhanden sind. In dieser Arbeit verwenden wir drei verschiedene Deep-Learning-Architekturen für die Preisprognose von an der NSE notierten Unternehmen und vergleichen deren Leistung. Wir wenden einen Gleitfensteransatz an, um zukünftige Werte kurzfristig vorherzusagen. Die Leistung der Modelle wurde unter Verwendung des prozentualen Fehlers quantifiziert.