Des chercheurs de Stanford ont développé un modèle d’intelligence artificielle (IA),  » StockBot « , qui utilise les LSTM pour prédire les cours des actions avec des gains supérieurs aux ETF les plus agressifs

Recevez des mises à jour en temps réel directement sur votre appareil, abonnez-vous maintenant.

La prévision du comportement des marchés boursiers est une entreprise cruciale qui nécessite une attention particulière car, avec les bons choix, une prévision réussie des cours des actions pourrait entraîner des gains intéressants. En raison de données non stationnaires, bruyantes, interdépendantes et chaotiques, les prévisions boursières sont un défi important, ce qui rend difficile pour les investisseurs de dépenser leur argent d’une manière qui se traduirait par des bénéfices. Compte tenu de l’importance de ce domaine, les experts en machine learning ont proposé plusieurs modèles visant à prédire la valeur future des groupes boursiers.

Les travaux antérieurs utilisaient des techniques traditionnelles d’apprentissage automatique telles que la régression vectorielle de support, les forêts aléatoires et le modèle bayésien. Plus récemment, les chercheurs se sont tournés vers des modèles d’apprentissage en profondeur. Les réseaux de neurones profonds tels que LSTM et l’encodeur-décodeur sont de plus en plus utilisés pour effectuer la tâche de prédiction boursière car ils sont plus efficaces pour faire face à la nature chronologique des données.

StockBot, une nouvelle approche proposée par des chercheurs de l’Université de Stanford, a été introduite pour aider les investisseurs à prendre une décision au quotidien : vendre ou acheter. Il s’agit d’un modèle de prévision de prix généralisable basé sur des LSTM empilés visant à prédire les prix des actions pour les nouvelles actions qui ne disposent pas de suffisamment de données historiques.

Généralement, les modèles de prédiction basés sur LSTM sont entraînés sur le prix d’une seule action et ne peuvent effectuer que l’inférence en utilisant les paramètres appris sur la même action. Par conséquent, les auteurs ont proposé de former le réseau spécifiquement à un type d’industrie comme l’énergie ou la finance. Concrètement, les prix passés et futurs de plusieurs tickers du même secteur sont combinés pour créer un ensemble mixte de formation et/ou de test. De cette manière, le modèle peut fonctionner selon deux modes. Bien que l’étape de formation soit effectuée à l’aide de l’ensemble combiné, l’étape de prédiction peut être effectuée pour tous les tickers ou juste pour un seul, ce qui est très utile pour effectuer une prédiction plus robuste pour les actions avec des données historiques insuffisantes. De plus, un bot est utilisé pour effectuer les opérations d’achat ou de vente au moment de la clôture chaque jour afin de maximiser les gains. La décision est prise en utilisant les prévisions des cours boursiers de manière analytique sans aucune phase de formation. L’algorithme suivi par le bot est le suivant :

1) Calculez les i changements donnés par i = sign(ci+1 ci), où ci est le cours de l’action le ième jour.

2) vérifier les évolutions des i, en suivant i = i+1 i.

La décision est prise en fonction de la valeur de . Lorsque = 2, le bot décide d’acheter puisqu’il indique la fin d’un creux. Alors que i = 2 indique le début d’une baisse, le bot décide de vendre.

Les auteurs ont exploré plusieurs possibilités dans l’étude expérimentale en comparant différents modèles de prédiction tels que les architectures LSTM plusieurs-à-un simples/empilées et le modèle Encodeur-Décodeur. Les résultats démontrent que les LSTM simples/doubles empilés sont les meilleures architectures. De plus, pour des raisons de simplicité et de rapidité, la prédiction de plusieurs jours ensemble s’est avérée plus intéressante que la prédiction du jour futur un à la fois puisque cette dernière approche ne peut prédire qu’un jour à la fois. Enfin, les décisions prises par le bot surpassent même les ETF les plus agressifs et les principaux produits d’investissement proposés par les entreprises d’investissement.

Nous avons vu dans cet article un nouveau modèle de prédiction boursière qui permet de bénéficier de deux avantages majeurs : premièrement, prédire les actions qui souffre d’une base de données limitée grâce à un réseau formé sur plusieurs autres firmes appartenant au même secteur d’activité. Deuxièmement, bénéficiez d’une aide à la décision grâce à un bot qui sait quand acheter ou vendre en fonction des changements quotidiens des valeurs de clôture prévues.

This Article is written as a research summary article by Marktechpost Staff based on the research article 'StockBot: Using LSTMs to Predict Stock Prices'. All Credit For This Research Goes To Researchers on This Project. Checkout the paper, gitlab link.

Please Don't Forget To Join Our ML Subreddit


Mahmoud est chercheur doctorant en apprentissage automatique. Il détient également un
baccalauréat en sciences physiques et une maîtrise en
systèmes de télécommunications et de réseaux. Ses domaines actuels de
les recherches portent sur la vision par ordinateur, la prédiction boursière et
apprentissage. Il a produit plusieurs articles scientifiques sur la re-
l’identification et l’étude de la robustesse et de la stabilité des
réseaux.


www.actusduweb.com
Suivez Actusduweb sur Google News


Recevez des mises à jour en temps réel directement sur votre appareil, abonnez-vous maintenant.

commentaires

Ce site utilise des cookies pour améliorer votre expérience. Nous supposerons que cela vous convient, mais vous pouvez vous désinscrire si vous le souhaitez. J'accepte Lire la suite