Сравнительное исследование с помощью рекуррентных нейронных сетей предполагаемых и фактических цен на акции малых и средних предприятий Бомбейской фондовой биржи в период пандемии COVID-19

Фондовый рынок нестабилен, но использование алгоритмов машинного обучения позволяет спрогнозировать его будущую динамику перед расходованием средств. Самой популярной областью научных исследований в настоящее время является машинное обучение, которое предполагает предоставление компьютерам возможности выполнять задачи, часто требующие человеческого интеллекта. Целью данной статьи является построение модели, использующей сеть долгосрочной и краткосрочной памяти (LSTM), для прогнозирования будущей стоимости акций на рынке. Представлены преимущества и недостатки машинного обучения для оценки и прогнозирования фондового рынка. Сделан обзор литературы по применению моделей машинного обучения в ключевых областях финансов с использованием методической оценки модели и манипулирования данными. Основное внимание уделено убыткам сектора ММСП из-за COVID-19 путем сравнительного исследования прогнозируемых цен на акции на момент закрытия и фактических цен на акции индекса IPO малых и средних компаний BSE за период с 1 января 2018 по 30 апреля 2021 г. Для прогнозирования цен на акции использована модель глубокого обучения LSTM как наиболее эффективная среди рекуррентных нейронных сетей (RNN). Исследование дает представление о том, какое влияние оказывает карантин на цены акций при IPO малого и среднего бизнеса на BSE. Авторы разработали модель для прогнозирования будущей стоимости акций на рынке, применение которой дало несколько положительных результатов, что продемонстрировало необходимость машинного обучения и то, как оно может изменить мир финансов. Новизна исследования состоит в том, что в Индии методы машинного обучения и глубокого обучения в области финансов используются гораздо реже, чем в других странах.

1. Egan M. 2008 crisis: Worse than the Great Depression? CNN Business. Aug. 27, 2014. URL: http://money.cnn.com/2014/08/27/news/economy/ben-bernanke-great-depression/

2. Prasad R., Mondal A. Impact of COVID-19 pandemic on Indian economy with special reference to Indian MSME sector. 2020. URL: https://www.researchgate.net/profile/Amitava-Mondal-2/publication/341775901_Impact_of_COVID-19_pandemic_on_Indian_Economy_with_special_reference_to_Indian_MSME_Sector/links/5ed372f2299bf1c67d2cc395/Impact-of-COVID-19-pandemic-on-Indian-Economy-with-specia

3. Aziz S., Dowling M., Hammami H., Piepenbrink A. Machine learning in finance: A topic modeling approach. European Financial Management. 2022;28(3):744–770. DOI: 10.1111/eufm.12326

4. Donges N. A complete guide to recurrent neural networks (RNNs). Builtin. 2021. URL: https://builtin.com/data-science/recurrent-neural-networks-and-lstm

5. Sai Sravani K., RajaRajeswari P. Prediction of stock market exchange using LSTM algorithm. International Journal of Scientific & Technology Research. 2020;9(3):417–421. URL: https://www.ijstr.org/final-print/mar2020/Prediction-Of-Stock-Market-Exchange-Using-Lstm-Algorithm.pdf

6. Mittal A. Understanding RNN and LSTM. 2019. URL: https://aditi-mittal.medium.com/understanding-rnn-and-lstm-f7cdf6dfc14e

7. Moghar A., Hamiche M. Stock market prediction using LSTM recurrent neural network. Procedia Computer Science. 2020;170:1168–1173. DOI: 10.1016/j.procs.2020.03.049

8. Topcu M., Gulal O. S. The impact of COVID-19 on emerging stock markets. Finance Research Letters. 2020;36:101691. DOI: 10.1016/j.frl.2020.101691

9. Liu H., Manzoor A., Wang C., Zhang L., Manzoor Z. The COVID-19 outbreak and affected countries stock markets response. International Journal of Environmental Research and Public Health. 2020;17(8):2800. DOI: 10.3390/ijerph17082800

10. Demirgüç-Kunt A., Martinez Peria M. S., Tressel T. The global financial crisis and the capital structure of firms: Was the impact more severe among SMEs and non-listed firms? Journal of Corporate Finance. 2020;60:101514. DOI: 10.1016/j.jcorpfin.2019.101514

11. Gunjati S. B., Adake C. V. Innovation in Indian SMEs and their current viability: A review. Materials Today: Proceedings. 2020;28(Pt.4):2325–2330. DOI: 10.1016/j.matpr.2020.04.604

12. Salgotra R., Gandomi M., Gandomi A. H. Time series analysis and forecast of the COVID-19 pandemic in India using genetic programming. Chaos, Solitons & Fractals. 2020;138:109945. DOI: 10.1016/j.chaos.2020.109945

13. Ashraf B. N. Stock markets’ reaction to COVID-19: Cases or fatalities? Research in International Business and Finance. 2020;54:101249. DOI: 10.1016/j.ribaf.2020.101249

14. Singh M. K., Neog Y. Contagion effect of COVID-19 outbreak: Another recipe for disaster on Indian economy. Journal of Public Affairs. 2020;20(4): e2171. DOI: 10.1002/pa.2171

15. Shehzad K., Xiaoxing L., Kazouz H. COVID-19’s disasters are perilous than Global Financial Crisis: A rumor or fact? Finance Research Letters. 2020;36:101669. DOI: 10.1016/j.frl.2020.101669

16. Sharif A., Aloui C., Yarovaya L. COVID-19 pandemic, oil prices, stock market, geopolitical risk and policy uncertainty nexus in the US economy: Fresh evidence from the wavelet-based approach. International Review of Financial Analysis. 2020;70:101496. DOI: 10.1016/j.irfa.2020.101496

17. Chowdhury E. K., Abedin M. Z. COVID-19 effects on the US stock index returns: An event study approach. SSRN Electronic Journal. 2020. DOI: 10.2139/ssrn.3611683

18. Sarkar K., Khajanchi S., Nieto J. J. Modeling and forecasting the COVID-19 pandemic in India. Chaos, Solitons & Fractals. 2020;139:110049. DOI: 10.1016/j.chaos.2020.110049

19. Hong P., Huang C., Li B. Crisis management for SMEs: Insights from a multiple-case study. International Journal of Business Excellence. 2012;5(5):535–553. DOI: 10.1504/IJBEX.2012.048802

20. Chen Y., Hao Y. A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction. Expert Systems with Applications. 2017;80:340–355. DOI: 10.1016/j.eswa.2017.02.044

21. Kumbure M. M., Lohrmann C., Luukka P., Porras J. Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications. 2022;197:116659. DOI: 10.1016/j.eswa.2022.116659

22. Moghaddam A. H., Moghaddam M. H., Esfandyari M. Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science. 2016;21(41):89–93. DOI: 10.1016/j.jefas.2016.07.002

23. Tong T., Shah M., Cherukumalli M., Moulehiawy Y. Investigating long short-term memory neural networks for financial time-series prediction. SSRN Electronic Journal. 2018. DOI: 10.2139/ssrn.3175336

24. Rundo F., Trenta F., di Stallo A. L., Battiato S. Machine learning for quantitative finance applications: A survey. Applied Sciences. 2019;9(24):5574. DOI: 10.3390/app9245574

25. da Silva I. N., Spatti D. H., Flauzino R. A., Liboni L. H.B., dos Reis Alves S. F. Artificial neural networks: A practical course. Cham: Springer-Verlag; 2016. 307 p.

26. Noguer i Alonso M., Batres-Estrada G., Moulin A. Deep learning for equity time series prediction. SSRN Electronic Journal. 2020. DOI: 10.2139/ssrn.3735940

27. Pang X., Zhou Y., Wang P., Lin W., Chang V. An innovative neural network approach for stock market prediction. The Journal of Supercomputing. 2020;76(3):2098–2118. DOI: 10.1007/s11227–017–2228-y

28. Shah D., Campbell W., Zulkernine F. H. A comparative study of LSTM and DNN for stock market forecasting. In: Proc. 2018 IEEE int. conf. on big data (Big Data 2018). (Seattle, WA, 10–13 December 2018). Piscataway, NJ: IEEE; 2018;4148–4155. DOI: 10.1109/BigData.2018.8622462