Бот получил больше прибыли на бирже, чем самые агрессивные белковые игроки
📈 Разработчики из Стэнфордского университета представили систему StockBot. Она состоит из предиктивной модели и торгового бота. Рекуррентная нейросеть с памятью прогнозирует биржевые котировки, а бот, опираясь на её предсказания, совершает покупки и продажи. Использование ИИ позволило системе добиться большей прибыльности, чем у лучших инвестиционных фондов.
💵 Колебание курсов ценных бумаг — почти эталон непредсказуемости. Нестационарная, сильно зашумленная, полная запутанных внутренних взаимосвязей природа биржевых котировок делает прогнозирование исключительно сложным.
💸 Для обучения и тестирования системы использовался датасет, содержащий исторические, текущие и прогнозируемые котировки для ценных бумаг компаний в выбранной отрасли. Прошлые и прогнозируемые котировки служили входными данными для принимающего решения бота.
💶 Алгоритм вычислял разницу между текущей и прогнозируемой ценами, а затем сравнивал её с результатами прошлого дня. Это позволяло зафиксировать момент достижения локального дна падения котировок или пика стоимости, что заставляло систему приобретать их, либо, наоборот, продавать.
👁🗨 Разработчики апробировали несколько вариантов архитектур предсказательных моделей. Лучше всех себя показала LSTM (Long Short-Term Memory). Такие рекуррентные нейронные сети содержат дополнительный модуль, значения в котором не «размываются» в процессе обучения с обратным распространением ошибки. Благодаря этому он способен помнить значения за разные промежутки времени, что позволяет модели принимать решения с учётом прошлого контекста.
Почитать подробнее: препринт на arXiv.
#Прогнозные_системы, #Глубокое_обучение
📈 Разработчики из Стэнфордского университета представили систему StockBot. Она состоит из предиктивной модели и торгового бота. Рекуррентная нейросеть с памятью прогнозирует биржевые котировки, а бот, опираясь на её предсказания, совершает покупки и продажи. Использование ИИ позволило системе добиться большей прибыльности, чем у лучших инвестиционных фондов.
💵 Колебание курсов ценных бумаг — почти эталон непредсказуемости. Нестационарная, сильно зашумленная, полная запутанных внутренних взаимосвязей природа биржевых котировок делает прогнозирование исключительно сложным.
💸 Для обучения и тестирования системы использовался датасет, содержащий исторические, текущие и прогнозируемые котировки для ценных бумаг компаний в выбранной отрасли. Прошлые и прогнозируемые котировки служили входными данными для принимающего решения бота.
💶 Алгоритм вычислял разницу между текущей и прогнозируемой ценами, а затем сравнивал её с результатами прошлого дня. Это позволяло зафиксировать момент достижения локального дна падения котировок или пика стоимости, что заставляло систему приобретать их, либо, наоборот, продавать.
👁🗨 Разработчики апробировали несколько вариантов архитектур предсказательных моделей. Лучше всех себя показала LSTM (Long Short-Term Memory). Такие рекуррентные нейронные сети содержат дополнительный модуль, значения в котором не «размываются» в процессе обучения с обратным распространением ошибки. Благодаря этому он способен помнить значения за разные промежутки времени, что позволяет модели принимать решения с учётом прошлого контекста.
Почитать подробнее: препринт на arXiv.
#Прогнозные_системы, #Глубокое_обучение