Предмет. Методы краткосрочного прогнозирования цены на акции российских публичных компаний на основе нейросетевых технологий. Цели. Разработка модели краткосрочного прогнозирования цены на акции российских публичных компаний с использованием нейронной сети и разработка комплексного решения для сценарного анализа траектории движения цен на всем рынке для формирования и калибровки портфеля ценных бумаг. Методология. Использованы данные о ценах акций публичных компаний Московской биржи (442 674 котировки) с 2014 г. Применен метод пакетной выгрузки сервиса Moexalgo. В дальнейшем использовано глубокое обучение, в рамках которого построена нейронная сеть архитектуры с эффектом долгой краткосрочной памяти (LSTM). Результаты. Разработаны модели для 173 российских публичных компаний, позволяющие с достаточно высокой точностью спрогнозировать цены акций на 30 дней вперед на основе ряда данных в прошлом, что позволит улучшить краткосрочную стратегию при управлении портфелем ценных бумаг. Область применения. Результаты могут быть применены финансовыми аналитиками, трейдерами и оценщиками при моделировании портфеля финансовых вложений. Выводы. Полученные результаты могут применяться для формирования теоретического портфеля ценных бумаг по российскому рынку в целях разработки краткосрочной финансовой стратегии.
Ключевые слова: цена на акции, российские публичные компании, портфель ценных бумаг, нейросетевые технологии
Список литературы:
Markowitz H.M. Portfolio Selection. The Journal of Finance, 1952, vol. 7, no. 1, pp. 77–91. DOI: 10.2307/2975974
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735
Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 2018, vol. 270, iss. 2, pp. 654–669. DOI: 10.1016/j.ejor.2017.11.054
Low P.R., Sakk E. Comparison between autoregressive integrated moving average and long short term memory models for stock price prediction. IAES International Journal of Artificial Intelligence, 2023, vol. 12, no. 4, pp. 1828–1835. DOI: 10.11591/ijai.v12.i4.pp1828-1835 EDN: ALVPGW
Li Q., Kamaruddin N., Al-Jaifi H.A.A. Forecasting Stock Prices Changes Using Long-Short Term Memory Neural Network with Symbolic Genetic Algorithm. Research Square, 2023. DOI: 10.21203/rs.3.rs-3284486/v1
Hang L., Liu D., Xie F. A Hybrid Model Using PCA and BP Neural Network for Time Series Prediction in Chinese Stock Market with TOPSIS Analysis. Scientific Programming, 2023, 9963940, pp. 1–15. DOI: 10.1155/2023/9963940 EDN: NBZXIE
Chen C., Xue L., Xing W. Research on Improved GRU-Based Stock Price Prediction Method. Applied Sciences, 2023, vol. 13, iss 15. DOI: 10.3390/app13158813 EDN: SUWFIS
Shet A., Ashika S, Hanumanth D.N. et al. Stock price prediction using machine learning. International Journal of Engineering Applied Sciences and Technology, 2022, vol. 7, iss. 2, pp. 225–228. DOI: 10.33564/ijeast.2022.v07i02.034 EDN: RHPNNH
Помулев А.А. Прогнозирование цены криптовалюты с использованием технологий искусственного интеллекта // Теневая экономика. 2024. Т. 8. № 4. С. 347–362. DOI: 10.18334/tek.8.4.122434 EDN: QXZYAC
Sarkar M., Pratima M.N., Darshan R. et al. An Intelligent Model for Identifying Fluctuations in the Stock Market and Predicting Investment Policies with Guaranteed Returns. In: Sharma R., Jeon G., Zhang Y. (eds) Data Analytics for Internet of Things Infrastructure. Internet of Things. Springer, Cham., 2023. DOI: 10.1007/978-3-031-33808-3_6
Ibrahim A., Saeed B., Fadil M. Forecasting Stock Prices with an Integrated Approach Combining ARIMA and Machine Learning Techniques ARIMAML. Journal of Computer and Communications, 2023, vol. 11, no. 8, pp. 58–70 DOI: 10.4236/jcc.2023.118005 EDN: HMOCJB
Gülmez B. Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Applications, 2023, vol. 227, 120346. DOI: 10.1016/j.eswa.2023.120346 EDN: AHSPHU
Chen K., Zhou Y., Dai F. A LSTM-based method for stock returns prediction: A case study of China stock market. IEEE International Conference on Big Data, 2015, pp. 2823–2824. DOI: 10.1109/BigData.2015.7364089
Khubiyev K.U., Semenov M.E. Multimodal Stock Price Prediction: A Case Study of the Russian Securities Market // Программные системы: теория и приложения. 2025. Т. 16. № 1. С. 83–130. DOI: 10.25209/2079-3316-2025-16-1-83-130 EDN: RXMHSI
Алжеев А.В., Кочкаров Р.А. Сравнительный анализ прогнозных моделей ARIMA и LSTM на примере акций российских компаний // Финансы: теория и практика. 2020. Т. 24. № 1. С. 14–23. DOI: 10.26794/2587-5671-2020-24-1-14-23 EDN: GVSFYC
Кузнецов Р.С., Тумарова Т.Г. Прогнозирование котировок акций ПАО Газпром с использованием нейронных сетей LSTM // Вестник Института экономики Российской академии наук. 2023. № 3. С. 84–98. DOI: 10.52180/2073-6487_2023_3_84_98 EDN: RTZFON
Gers F.A., Schmidhuber J., Cummins F. Learning to forget: Continual prediction with LSTM. Neural Computation, 2000, vol. 12, iss. 10, pp. 2451–2471. DOI: 10.1162/089976600300015015
