IMPROVING THE AI STOCK MARKET FORECASTING WITH CANDLESTICK PATTERNS

Oleksandr Zakovorotnyi; Nataliia Ausheva; Larysa Levchenko

doi:10.26906/SUNZ.2025.4.074

Автор(и)

Oleksandr Zakovorotnyi
Nataliia Ausheva
Larysa Levchenko

DOI:

https://doi.org/10.26906/SUNZ.2025.4.074

Ключові слова:

штучний інтелект, ефективність моделі LSTM, прогнозування фондового ринку, патерни свічок, підвищення точності моделі ШІ

Анотація

У швидко розвиваючій цифровій економіці використання штучного інтелекту (ШІ) у фінансовому прогнозуванні набуває значної популярності. Ця робота досліджує вплив різних патернів свічок на ефективність моделей довгострокової пам'яті (LSTM) у прогнозуванні рухів фондового ринку. Експерименти, проведені на історичних даних цін на акції, показують, що доповнення традиційних вхідних параметрів діапазоном моделей свічок підвищує точність прогнозування моделей LSTM. Хоча початковій архітектурі моделі бракувало оптимізації гіперпараметрів для вирішення такого роду завдань, результати дослідження свідчать про помітне покращення ефективності прогнозування, якщо використовувати вектор патернів свічок як вхідний параметр. Подальша робота буде зосереджена на включенні додаткових фінансових показників до навчальних даних моделі та її точному налаштуванні за допомогою алгоритмів оптимізації для досягнення більшої стійкості та точності.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Telukdarie, A., & Mungar, A. (2022). The Impact of Digital Financial Technology on Accelerating Financial Inclusion in Developing Economies. https://doi.org/10.1016/j.procs.2022.12.263.

2. Basuki, S. A., Nahar, A., & Ridho, M. (2017). Conservatism Accountancy, Profit Persistence and Systematic Risk Towards the Earnings Responses Coefficient. https://doi.org/10.1016/j.procs.2022.12.263.

3. Strader, T. J., Rozycki, J. J., Root, T. H., & Huang, Y. H. J. (2020). Machine learning stock market prediction studies: Review and research directions // Journal of International Technology and Information Management. – Vol. 28, No. 4. – P. 63–83. https://doi.org/10.58729/1941-6679.1435.

4. Parmar, I., Agarwal, N., Saxena, S., Arora, R., Gupta, S., Dhiman, H., & Chouhan, L. (2018). Stock market prediction using machine learning // Proceedings of the 1st International Conference on Secure Cyber Computing and Communication (ICSCCC). – IEEE, 2018. – P. 574–576. DOI: 10.1109/ICSCCC.2018.8703332.

5. Najem, R., Amr, M. F., Bahnasse, A., & Talea, M. (2023). A Comprehensive Analysis of Techniques and Case Studies [Electronic resource]. – Available at: https://www.sciencedirect.com/science/article/pii/S1877050923022056

6. Бовчалюк, С. Я., & Гайдай, Я. А. (2024). Аналіз методу опорних векторів у порівнянні з традиційними методами передбачення ринкових рухів // Системи управління, навігації та зв’язку. – 2024. – № 2(72). – С. 78–84. https://doi.org/10.26906/SUNZ.2024.3.089.

7. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory // Neural Computation. – Vol. 9, No. 8. – P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

8. Burak Gülmez (2023). Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. ScienceDirect. https://doi.org/10.1016/j.eswa.2023.120346.

9. John Kamwele Mutinda, Amos Kipkorir Langat (2024). Stock price prediction using combined GARCH-AI models. ScienceDirect. https://doi.org/10.1016/j.sciaf.2024.e02374.

10. Xinyuan Songet (2023). Predicting stock price of construction companies using weighted ensemble learning. ScienceDirect. https://doi.org/10.1016/j.heliyon.2024.e31604.

11. Weilong Hu, Yain-Whar Si, Simon Fong, Raymond Yiu Keung Lau (2019). A formal approach to candlestick pattern classification in financial time series. Soft Computing Journal. https://doi.org/10.1016/j.asoc.2019.105700.