El Diseño de un Sistema de Comercio de Acciones Inteligente y Ligero Utilizando Modelos de Aprendizaje Profundo: Empleando Métodos de Análisis Técnico
Autores: Yu, SeongJae; Yang, Sung-Byung; Yoon, Sang-Hyeak
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Los inversores individuales a menudo tienen dificultades para predecir los precios de las acciones debido a las limitaciones impuestas por las capacidades computacionales de las unidades de procesamiento gráfico (GPU) de los portátiles personales al ejecutar modelos intensivos de aprendizaje profundo. Este estudio propone resolver estas limitaciones de GPU integrando modelos de aprendizaje profundo con métodos de análisis técnico. Esta integración reduce significativamente el tiempo de análisis y proporciona a los inversores individuales la capacidad de identificar acciones que pueden generar ganancias o pérdidas potenciales de manera eficiente. Así, se introduce en este estudio un algoritmo integral de compra y venta, compatible con el rendimiento promedio de las GPU de los portátiles. Este algoritmo ofrece un método de análisis ligero que enfatiza factores identificados por los métodos de análisis técnico, proporcionando así un enfoque más accesible y eficiente para los inversores individuales. Para evaluar la eficacia de este enfoque, evaluamos el rendimiento de ocho modelos de aprendizaje profundo: memoria a largo y corto plazo (LSTM), una red neuronal convolucional (CNN), LSTM bidireccional (BiLSTM), CNN Attention, una unidad recurrente con compuertas bidireccionales (BiGRU) CNN BiLSTM Attention, BiLSTM Attention CNN, CNN BiLSTM Attention y CNN Attention BiLSTM. Estos modelos se utilizaron para predecir los precios de las acciones de Samsung Electronics y Celltrion Healthcare. El modelo CNN Attention BiLSTM mostró un rendimiento superior entre estos modelos, con el valor de error absoluto medio de validación más bajo. Además, se realizó un experimento utilizando WandB Sweep para determinar los hiperparámetros óptimos para cuatro modelos híbridos individuales. Estos parámetros óptimos se implementaron en cada modelo para validar su tasa de retorno de back-testing. El modelo híbrido CNN Attention BiLSTM surgió como el modelo de mejor rendimiento, logrando una tasa de retorno aproximada del 5 por ciento. En general, este estudio ofrece valiosas ideas sobre el rendimiento de varios modelos de aprendizaje profundo e híbridos en la predicción de precios de acciones. Estos hallazgos pueden ayudar a los inversores individuales a seleccionar modelos apropiados que se alineen con sus estrategias de inversión, aumentando así su probabilidad de éxito en el mercado de valores.
Descripción
Los inversores individuales a menudo tienen dificultades para predecir los precios de las acciones debido a las limitaciones impuestas por las capacidades computacionales de las unidades de procesamiento gráfico (GPU) de los portátiles personales al ejecutar modelos intensivos de aprendizaje profundo. Este estudio propone resolver estas limitaciones de GPU integrando modelos de aprendizaje profundo con métodos de análisis técnico. Esta integración reduce significativamente el tiempo de análisis y proporciona a los inversores individuales la capacidad de identificar acciones que pueden generar ganancias o pérdidas potenciales de manera eficiente. Así, se introduce en este estudio un algoritmo integral de compra y venta, compatible con el rendimiento promedio de las GPU de los portátiles. Este algoritmo ofrece un método de análisis ligero que enfatiza factores identificados por los métodos de análisis técnico, proporcionando así un enfoque más accesible y eficiente para los inversores individuales. Para evaluar la eficacia de este enfoque, evaluamos el rendimiento de ocho modelos de aprendizaje profundo: memoria a largo y corto plazo (LSTM), una red neuronal convolucional (CNN), LSTM bidireccional (BiLSTM), CNN Attention, una unidad recurrente con compuertas bidireccionales (BiGRU) CNN BiLSTM Attention, BiLSTM Attention CNN, CNN BiLSTM Attention y CNN Attention BiLSTM. Estos modelos se utilizaron para predecir los precios de las acciones de Samsung Electronics y Celltrion Healthcare. El modelo CNN Attention BiLSTM mostró un rendimiento superior entre estos modelos, con el valor de error absoluto medio de validación más bajo. Además, se realizó un experimento utilizando WandB Sweep para determinar los hiperparámetros óptimos para cuatro modelos híbridos individuales. Estos parámetros óptimos se implementaron en cada modelo para validar su tasa de retorno de back-testing. El modelo híbrido CNN Attention BiLSTM surgió como el modelo de mejor rendimiento, logrando una tasa de retorno aproximada del 5 por ciento. En general, este estudio ofrece valiosas ideas sobre el rendimiento de varios modelos de aprendizaje profundo e híbridos en la predicción de precios de acciones. Estos hallazgos pueden ayudar a los inversores individuales a seleccionar modelos apropiados que se alineen con sus estrategias de inversión, aumentando así su probabilidad de éxito en el mercado de valores.