АНАЛІЗ ТА АДАПТАЦІЯ ГЕНЕРАТИВНО-ЗМАГАЛЬНИХ МЕРЕЖ ДО ФІНАНСОВИХ РИНКІВ
Ключові слова:
генеративно-змагальні мережі, прогнозування фондового ринку, глибоке навчання, LSTM, CNN, синтетичні дані, фінансові часові ряди, машинне навчання, RMSE, технічні індикатори, нейронні мережі, Apple IncАнотація
У статті розглянуто можливості застосування генеративно-змагальних мереж (Generative Adversarial Networks, GAN) у завданнях фінансового прогнозування, зокрема для передбачення ціни закриття акцій. Запропоновано нову архітектуру GAN, яка поєднує рекурентну нейронну мережу LSTM у ролі генератора та згорткову нейронну мережу (CNN) у ролі дискримінатора. Метою моделі є генерація синтетичних фінансових рядів, подібних до реальних даних, з подальшим використанням їх для прогнозування цін акцій компанії Apple Inc. У дослідженні використовувалися історичні ринкові дані за п’ятирічний період (2020–2025), що включали понад 30 супутніх ознак, зокрема технічні індикатори, фондові індекси та новинні фактори. Проведено порівняння результатів запропонованої GAN-моделі з класичною LSTM за метрикою середньоквадратичної похибки (RMSE). Отримані результати показали, що генеративна архітектура забезпечує вищу точність прогнозування на тестових вибірках, а також краще моделює нелінійні залежності у фінансових часових рядах. Дослідження розкриває переваги використання синтетичних даних для навчання моделей, що дозволяє підвищити стабільність і узагальнювальну здатність прогнозів у нестабільному ринковому середовищі. Запропонована модель здатна виявляти як короткострокові, так і довгострокові тренди, що підтверджується числовими експериментами.Архітектура GAN продемонструвала здатність адаптуватися до складних патернів динаміки ринку, що відкриває нові перспективи для побудови інтелектуальних фінансових систем на базі глибокого навчання. Представлені результати можуть бути корисними для трейдерів, фінансових аналітиків, інвесторів, а також дослідників у сфері фінансових технологій, машинного навчання та прикладної економіки.
Посилання
Alberto, R., & Romero, C. (2019). Generative Adversarial Network for Stock Market price Prediction. URL: https://cs230.stanford.edu/projects_fall_2019/reports/26259829.pdf
Lin, H., Chen, C., Huang, G. & Jafari, A. (2021). Stock price prediction using Generative Adversarial Networks. Journal of Computer Science, 17(3), 188–196. DOI: https://doi.org/10.3844/jcssp.2021.188.196
Staffini A (2022) Stock Price Forecasting by a Deep Convolutional Generative Adversarial Network. Front. Artif. Intell. 5:837596. DOI: https://doi.org/10.3389/ frai.2022.837596
Santoro, D., Grilli, L. (2022) Generative adversarial network to evaluate quantity of information in financial markets. Neural Comput. Appl. 34, 17473–17490. DOI: https://doi.org/10.1007/s00521-022-07401-3
Hutto, C., & Gilbert, E. (2014). VADER: A Parsimonious Rule-Based Model for Sentiment Analysis of Social Media Text. Proceedings of the International AAAI Conference on Web and Social Media, 8(1), 216–225. DOI: https://doi.org/10.1609/ icwsm.v8i1.14550
M. J. R. Foo and C. S. Pun, (2022) “Stock Movement Prediction with Social Sentiments and Interactional Data: Integrating NLP and Bayesian Frameworks”, 2022 4th International Conference on Natural Language Processing (ICNLP), Xi’an, China, 2022, pp. 530–536, DOI: https://doi.org/10.1109/ICNLP55136.2022.00097.
Cristescu, M. P., Nerisanu, R. A., Mara, D. A., & Oprea, S.-V. (2022). Using Market News Sentiment Analysis for Stock Market Prediction. Mathematics, 10(22), 4255. DOI: https://doi.org/10.3390/math10224255
Zhang Y, Li J, Wang H and Choi S-CT (2021) Sentiment-Guided Adversarial Learning for Stock Price Prediction. Front. Appl. Math. Stat. 7:601105. DOI: https://doi.org/ 10.3389/fams.2021.601105
S. Mukherjee, B. Sadhukhan, N. Sarkar, D. Roy, and S. De, (2023) “Stock market prediction using deep learning algorithms,” CAAI Transactions on Intelligence Technology, vol. 8, no. 1, pp. 82–94 DOI: https://doi.org/10.1049/cit2.12059
E. Naresh, B. J. Ananda, K. S. Keerthi and M. R. Tejonidhi, (2022) “Predicting the Stock Price Using Natural Language Processing and Random Forest Regressor”, 2022 IEEE International Conference on Data Science and Information System (ICDSIS), Hassan, India, 2022, pp. 1-5, DOI: https://doi.org/10.1109/ICDSIS55133.2022.9915940
Перцев Ю. О., Коротка Л. І. (2025) Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM. Системні технології. № 1(156). С. 65–77.
Перцев Ю. О., Коротка Л. І. (2024) Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TIMESFM. International scientific and technical conference Information Тechnologies in Metallurgy and Machine building (Україна, м. Дніпро, 10-11 квітня 2024 року), Дніпро : ITMM 2024, С. 434–439.
Korotka L., Klevzhyts D., Shvydko D. (2024) Use of generative-adversarial networks when creating content. Artificial intelligence. National Academy of Sciences of Ukraine Institute of Artificial Intelligence Problems MES of Ukraine and NAS of Ukraine. 2024 № 2 (99). P. 32–47.
Перцев Ю. О., Коротка Л. І. (2023) Нейромережеве прогнозування цін на фондовому ринку. International scientific and technical conference Information Тechnologies in Metallurgy and Machine building (Україна, м. Дніпро, 22 березня 2023 року), Дніпро : ITMM 2023, С. 314–317.
Перцев Ю. О., Коротка Л. І. (2023) Порівняння нейронних мереж RNN та LSTM типу при прогнозуванні цін на фондовому ринку. Матеріали VІІІ Міжнародної науково-технічної конференції комп’ютерне моделювання та оптимізація складних систем (Україна, м. Дніпро, 1–3 листопада 2023 року). Дніпро : КМОСС-2023 С. 124–127.
Nadeem Malibari, Iyad Katib and Rashid Mehmood, (2021) “Predicting Stock Closing Prices in Emerging Markets with Transformer Neural Networks: The Saudi Stock Exchange Case” International Journal of Advanced Computer Science and Applications(IJACSA), vol. 12, no. 12. DOI: http://dx.doi.org/10.14569/IJACSA.2021.01212106
Guennec, A. L., Malinowski, S. & Tavenard, R. (2016). Data Augmentation for Time Series Classification using Convolutional Neural Networks URL: https://halshs.archives-ouvertes.fr/halshs-01357973/
Cui, Zhicheng & Chen, Wenlin. (2016). Multi-Scale Convolutional Neural Networks for Time Series Classification. DOI: https://doi.org/10.48550/arXiv.1603.06995.
Kim T, Kim HY (2019) Forecasting stock prices with a feature fusion LSTM- CNN model using different representations of the same data. PLoS ONE 14(2): e0212320. DOI: https://doi.org/10.1371/journal.pone.0212320
Lu, Wenjie & Li, Jiazheng & Li, Yifan & Sun, Aijun & Wang, Jingyang. (2020). A CNN-LSTM-based model to forecast stock prices. Complexity. 2020. 1–10. DOI: https://doi.org/10.1155/2020/6622927
Kirisci, Melih & Cagcag Yolcu, Ozge. (2022). A New CNN-Based Model for Financial Time Series: TAIEX and FTSE Stocks Forecasting. Neural Processing Letters. 54. 10.1007/s11063-022-10767-z.
Mehtab, S., Sen, J. (2022). Analysis and Forecasting of Financial Time Series Using CNN and LSTM-Based Deep Learning Models. In: Sahoo, J. P., Tripathy, A. K., Mohanty, M., Li, KC., Nayak, A. K. (eds) Advances in Distributed Computing and Machine Learning. Lecture Notes in Networks and Systems, vol. 302. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-16-4807-6_39
