Transformator-basiertes Deep Learning-Modell zur Vorhersage von Aktienkursen: Eine Fallstudie über den Aktienmarkt Bangladesch

In den modernen Kapitalmärkten wird der Preis einer Aktie oft als hoch volatil und unvorhersehbar angesehen, aufgrund verschiedener sozialer, finanzieller, politischer und anderer dynamischer Faktoren. Mit kalkulierten und durchdachten Investitionen kann der Aktienmarkt einen ansehnlichen Gewinn bei minimalen Kapitalinvestitionen gewährleisten, während falsche Vorhersagen leicht katastrophale finanzielle Verluste für die Investoren mit sich bringen können. Dieses Papier führt die Anwendung eines kürzlich eingeführten Machine-Learning-Modells — des Transformator-Modells, ein, um den zukünftigen Preis von Aktien der Dhaka Stock Exchange (DSE), der führenden Börse in Bangladesch, vorherzusagen. Das Transformator-Modell wurde umfassend für Aufgaben der natürlichen Sprachverarbeitung und der Computer Vision genutzt, aber nach unserem besten Wissen wurde es noch nie zur Vorhersage von Aktienkursen unter Verwendung von DSE-Daten eingesetzt. In letzter Zeit hat die Einführung der time2vec-Codierung zur Darstellung der Zeitreihenmerkmale es möglich gemacht, das Transformator-Modell zur Vorhersage von Aktienkursen zu verwenden. Dieses Papier zielt darauf ab, diese beiden effektiven Techniken zu nutzen, um die Vorhersagefähigkeit am volatilen Aktienmarkt der DSE zu entdecken. Wir befassen uns mit den historischen täglichen und wöchentlichen Daten von acht spezifischen Aktien, die an der DSE notiert sind. Unsere Experimente zeigen vielversprechende Ergebnisse und einen akzeptablen Wurzelmittelquadratfehler bei den meisten Aktien. Wir vergleichen auch die Leistung unseres Modells mit der eines bekannten Benchmark-Modells zur Aktienprognose namens ARIMA und berichten von zufriedenstellenden Ergebnissen.