StockNet: A Multivariate Deep Neural Architecture for stock prices prediction
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Committee members
Giusti, Rafael
Carvalho, Moises Gomes de
Carvalho, Moises Gomes de
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Federal do Amazonas
Type
Access rights
DOI
Resumo (Portuguese)
Stock price forecasting is an inherently difficult problem. According to the efficient market hypothesis financial prices are unpredictable. However, a great number of machine learning methods have obtained consistent results on anticipating market movements. Most recent time-series prediction methods attempt to predict prices polarity, that is, whether prices have increased or fallen compared to the last time-step. Such approaches are inefficient in real scenarios, as forecasting price polarity alone makes financial planning a hard task, due to the fees and operation costs. Most of these methods use only Recurrent Neural Networks, but recent advances in temporal convolutional networks also may prove to be promising in prediction of general time-series, making better predictions with easier to train models. Recent hybrid architectures have also obtained important results using additional unstructured information from financial news. We propose a novel deep neural architecture to predict stock prices based on Temporal Convolutional Networks and built upon on a state of the art acoustic model for voice synthesis. Experimental results show that our model can consistently improve individual stocks prediction when compared to traditional methods.
Abstract
A previsão dos preços de ações é um problema inerentemente difícil. De acordo com a hipótese do mercado eficiente, os preços financeiros são imprevisíveis. No entanto, muitos métodos de aprendizado de máquina têm obtido resultados consistentes na antecipação de movimentos de mercado. Modelos de previsão de séries temporais recentes têm tentado prever apenas a polaridade dos preços, ou seja, se eles subiram ou caíram em relação ao passo temporal anterior. Tal abordagem é ineficiente em cenários reais, pois dificulta o planejamento financeiro em virtude dos custos e taxas presentes em cada operação. A maioria desses métodos usa Redes Neurais Recorrentes, porém, avanços recentes em redes temporais convolutivas têm se mostrado promissores na previsão de séries temporais, possibilitando previsões melhores com modelos mais fáceis de treinar. Arquiteturas híbridas também têm obtido resultados importantes ao processar informações não estruturadas de notícias financeiras. Propomos neste estudo uma nova arquitetura neural profunda para previsão de preço de ações baseada em Redes Convolucionais Temporais e inspirada em um modelo acústico do estado da arte para síntese de voz. Resultados experimentais mostram que nosso modelo pode melhorar de forma consistente a previsão do preço de ações individuais quando comparado aos métodos tradicionais.
Description
Controlled term
Redes neurais (Computação); Processamento de linguagem natural (Computação)
Sustainable Development Goals (SDG)
Citation
NASCIMENTO, Janderson Borges. StockNet: A Multivariate Deep Neural Architecture for stock prices prediction. 2019. 55 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019.
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Aberto

