Rinkos sentimentų prognozavimas naudojant dirbtinį intelektą

Abstract

Kiekvienas investuotojas susiduria su efektyvių investicinių sprendimų priėmimo problema. Yra daug metodų, kuriais stengiamasi išanalizuoti finansų rinkoje vykstančių pokyčių priežastis bei remiantis tokia informacija numatyti ateities tendencijas. Vienas iš būdų yra investuotojų sentimentų prognozavimas. Šio straipsnio tyrimo tikslas yra atlikti skirtingų investuotojų sentimentų prognozavimą ir įvertinti prognozavimui naudojamo modelio patikimumą, t. y. siekiama atrasti patikimą sentimentų prognozavimo algoritmą. Tyrimui naudojamas dirbtinio intelekto giliojo mokymosi ilgos trumpalaikės atminties (LSTM) tinklų algoritmas bei grafinis gautų rezultatų vaizdavimas. Atlikus tyrimą buvo pastebėta, kad kiekvienu sentimentų prognozavimo atveju gauta paklaida (RMSE) buvo labai maža, o tai reiškia, kad prognozavimui naudojamas algoritmas yra labai patikimas. Sentimentų prognozavimas kartu su racionaliais prognozavimo metodais gali papildyti prekybos strategiją ar paramos sistemą investuotojui.

Every investor faces the challenge of making efficient investment decisions. There are many methods to analyze the causes of changes in the financial market and to predict future trends based on such information. One way is to predict investors sentiment. This type of study is not extensively studied in the scientific literature, so the purpose of this article research is to perform prediction of different investor sentiment and to evaluate the reliability of the model used for prediction, i.e. reaching to discover a reliable sentiment prediction algorithm. Artificial intelligence deep learning short-term memory (LSTM) network method and graphical representation of the obtained results are used for the research. The study found that the margin of error (RMSE) obtained for each sentiment prediction case was very low, which means that the algorithm used for prediction is very reliable. Investors using this algorithm can help themselves better study market trends, but other financial market research methods should be used in parallel to make investment decisions as efficiently as possible.