Da li alati veštačke inteligencije mogu pomoći u predviđanju kretanja cena akcija i volatilnosti? Dva istraživača sa Državnog univerziteta Južne Dakote veruju u to. Kaikun Fu, docent na SDSU-ovom odsjeku za elektrotehniku i računarstvo, i Iangkiao Bai, diplomirani istraživač asistent, razvili su model zasnovan na AI koji predviđa kretanje cijena akcija i trendove volatilnosti berze.
Predstavljen kao „ALERTA-Net“, njihov model je duboka neuronska mreža koja integriše makroekonomske podatke, podatke pretraživača i podatke društvenih medija — prvi takve vrste koji to čini. Rad je objavljen na arKsiv preprint serveru.
„Prema našim saznanjima, ovo je jedan od ranih pokušaja da se koristi kombinacija društvenih medija, makroekonomskih podataka i informacija pretraživača za predviđanje kretanja cena akcija i volatilnosti“, rekao je Fu.
Američke berze su neka od najbudženijih finansijskih tržišta na svetu i služe kao glavni pokazatelj ekonomskog blagostanja neke zemlje. Takođe ih je izuzetno teško predvideti sa stalnom tačnošću. U smislu istraživanja i predviđanja tržišta akcija, postoje dve osnovne metode: tehnička analiza i fundamentalna analiza.
Tehnička analiza se oslanja na prošle cene akcija da bi predvidela buduće trendove. Fundamentalna analiza koristi eksterne informacije i podatke. Prema Fu i Baiju, obe metode imaju nedostatke zbog kojih propuštaju ključne indikatore na berzi.
„Tehnička analiza u velikoj meri zavisi od istorijskih podataka, koji ponekad mogu da previde iznenadne promene na tržištu usled neočekivanih događaja“, rekao je Fu. „Pretpostavljajući jednoobrazno racionalno tržišno ponašanje, ovaj metod može nenamerno da stvori eho komoru. Ovaj efekat može prouzrokovati da se signali za trgovanje sami pojačaju, da bi se na kraju odvojili od stvarnog ekonomskog konteksta.“
Fundamentalna analiza, s druge strane, teži da se fokusira na finansijska tržišta i često zanemaruje simbiotski odnos između šire ekonomije i tržišta akcija. Međutim, i dalje je potreban sveobuhvatniji pristup od tehničke analize.
„Postojeći modeli se uglavnom fokusiraju na predviđanje promena trenda i često zanemaruju važnost razmera ovih promena“, rekao je Fu. „U domenu ponašanja akcija, veličina ovih pomeranja ima značajnu težinu.
Da bi izgradio ovaj višeslojni, sveobuhvatni model predviđanja, istraživački tim—koji je uključivao članove fakulteta sa Virginia Tech-a i Teksaškog A&M univerziteta-Korpus Kristi—odabrao je 41 „blue-chip“ deonicu iz Globalnog standarda za klasifikaciju industrije. Fu i Bai su zatim ugradili svoju stručnost u pronalaženje informacija na društvenim mrežama, proces koji koristi duboko učenje, metod veštačke inteligencije, za prikupljanje i čitanje velikog broja postova.
Podaci su dobijeni od Iahoo Finance-a, koji je zacrtao putanju 41 akcije tokom trogodišnjeg perioda. Društvena medijska platforma Ks, ranije poznata kao Tvitter, korišćena je za izvor postova na društvenim mrežama. Prikupljeno je, analizirano i uključeno u model više od 7 miliona tvitova koji su govorili o 41 različitoj dionici.
„Prepoznajemo značajan uticaj koji obim Tvitera ima na trgovinu akcijama“, rekao je Fu. „Osigurali smo da ulazni parametri našeg modela uključuju sentimentalnu analizu pojedinačnih tvitova i dnevni broj obrađenih Tvitter postova.
Istorijski podaci iz Federalnih rezervi su takođe uneti u model.
Rezultati modela pokazuju da je imao bolji učinak — u smislu tačnosti — od DP-LSTM, renomirane mreže za predviđanje kretanja akcija, kao i od drugih modela predviđanja osnovnih linija.
„Naša studija je otkrila da uključivanje makroekonomskih podataka značajno poboljšava prediktivne sposobnosti modela za kretanje akcija i volatilnost u različitim stepenima“, rekao je Fu.
Ovo je samo početak Fuovog i Baiovog rada, jer će nastaviti da eksperimentišu sa novim ulazima i izvorima podataka kako bi poboljšali tačnost modela. Fu teoretizira da bi model mogao postati još precizniji integracijom audio i video izvora. Dalje, on veruje da ova vrsta modeliranja ima primenu daleko izvan tržišta akcija.
„Ova vrsta modeliranja bi nam mogla pomoći da predvidimo vreme čekanja u saobraćaju na prepunim međudržavnim autoputevima, na primer“, rekao je Fu. „Primena za ovu vrstu posla je ogromna.“
