StockNet: A Multivariate Deep Neural Architecture for stock prices prediction
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 metho...
| Autor principal: | Nascimento, Janderson Borges do |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/5357554382847406 |
| Grau: | Dissertação |
| Idioma: | eng |
| Publicado em: |
Universidade Federal do Amazonas
2019
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/7409 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-7409 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-74092019-11-14T14:02:20Z StockNet: A Multivariate Deep Neural Architecture for stock prices prediction StockNet: uma arquitetura neural multivariada para previsão e preços de ações Nascimento, Janderson Borges do Cristo, Marco Antônio Pinheiro de http://lattes.cnpq.br/5357554382847406 http://lattes.cnpq.br/6261175351521953 Giusti, Rafael http://lattes.cnpq.br/0613781010575440 Carvalho, Moises Gomes de http://lattes.cnpq.br/1840067885522796 Redes neurais (Computação) Processamento de linguagem natural (Computação) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: TEORIA DA COMPUTAÇÃO: COMPUTABILIDADE E MODELOS DE COMPUTAÇÃO Stocks Forecast Neural Networks Natural Language Processing Time-Series Prediction Redes Neurais Processamento de Linguagem Natural Previsão de Séries Temporais Previsão de Ações 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. 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. O conteúdo do trabalho está em inglês. 2019-10-04T15:25:32Z 2019-09-13 Dissertação 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. https://tede.ufam.edu.br/handle/tede/7409 eng Acesso Aberto http://creativecommons.org/licenses/by-nc-sa/4.0/ text/plain application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
eng |
| topic |
Redes neurais (Computação) Processamento de linguagem natural (Computação) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: TEORIA DA COMPUTAÇÃO: COMPUTABILIDADE E MODELOS DE COMPUTAÇÃO Stocks Forecast Neural Networks Natural Language Processing Time-Series Prediction Redes Neurais Processamento de Linguagem Natural Previsão de Séries Temporais Previsão de Ações |
| spellingShingle |
Redes neurais (Computação) Processamento de linguagem natural (Computação) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: TEORIA DA COMPUTAÇÃO: COMPUTABILIDADE E MODELOS DE COMPUTAÇÃO Stocks Forecast Neural Networks Natural Language Processing Time-Series Prediction Redes Neurais Processamento de Linguagem Natural Previsão de Séries Temporais Previsão de Ações Nascimento, Janderson Borges do StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| topic_facet |
Redes neurais (Computação) Processamento de linguagem natural (Computação) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: TEORIA DA COMPUTAÇÃO: COMPUTABILIDADE E MODELOS DE COMPUTAÇÃO Stocks Forecast Neural Networks Natural Language Processing Time-Series Prediction Redes Neurais Processamento de Linguagem Natural Previsão de Séries Temporais Previsão de Ações |
| description |
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. |
| author_additional |
Cristo, Marco Antônio Pinheiro de |
| author_additionalStr |
Cristo, Marco Antônio Pinheiro de |
| format |
Dissertação |
| author |
Nascimento, Janderson Borges do |
| author2 |
http://lattes.cnpq.br/5357554382847406 |
| author2Str |
http://lattes.cnpq.br/5357554382847406 |
| title |
StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| title_short |
StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| title_full |
StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| title_fullStr |
StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| title_full_unstemmed |
StockNet: A Multivariate Deep Neural Architecture for stock prices prediction |
| title_sort |
stocknet: a multivariate deep neural architecture for stock prices prediction |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2019 |
| url |
https://tede.ufam.edu.br/handle/tede/7409 |
| _version_ |
1831969803475091456 |
| score |
11.753735 |