Розширена анотація українською мовою

У статті визначено, що довгострокове прогнозування волатильності вартості акцій на фондової біржі вимагає використання інноваційних інструментів та методів. Результати систематизації наукових джерел свідчать, що однією з переваг довгострокового прогнозування вартості акцій є отримання емпірично підтвердженої інформації для прийняття відповідних рішень інвесторами. Дослідження волатильності вартості акцій є динамічним та нелінійним процесом, на який впливає низка факторів. Авторами наголошено, що одним із значущих факторів є рівень непередбачуваності, що зростає під час настання криз. У зв’язку з цим традиційні методи прогнозування зміни вартості акцій є не ефективними.  Головною метою статті є удосконалення методів управління процесу прогнозування динаміки вартості акцій з використанням нейронних мереж. Авторами проаналізовано дані щодо цін на акції енергетичної компанії CEZ з 2012 по 2017 року, які отримано з бази даних фондової біржі Праги. У статті застосовано програмне забезпечення Statistica для формування мереж багатошарового персептрону (MLP) та мереж радіальної базисної функції (RBF), програмне забезпечення Matlab – для формування регресії опорних векторів (SVR) та нейронних мереж з алгоритмом зворотнього розповсюдження (BPNN). Результати дослідження засвідчили, що мережі MLP мали вищий рівень стабільності та ефективності, ніж мережі SVR та BPNN. Наголошено, що відхилення у 2,26% спостерігається у значущому диференціалі за максимального та мінімального горизонту прогнозу, що є несуттєвим у випадку зміни вартості однієї акції. Однак, при купівлі чи продажі пакету акцій, дана різниця може суттєво збільшитись. Таким чином, враховуючи отримані результати, у статті рекомендовано практичне застосування мереж MLP 1-2-1 та MLP 1-5-1. При цьому MLP 1-2-1 мережа дозволяє побудувати песимістичний та мінімальний прогноз, тоді як MLP 1-5-1 мережа – оптимістичний та максимальний. 

Ключові слова: програмне забезпечення Statistica, програмне забезпечення Matlab, розвиток біржового курсу, нейронні мережі, прогнозування.

Класифікація JEL: C22, C45, C53.

Цитувати як: Vochozka, M., Horak, J., & Krulicky, T. (2020). Innovations in management forecast: time development of stock prices with neural networks Marketing and Management of Innovations, 2, 324-339. https://doi.org/10.21272/mmi.2020.2-24

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Andrea, T., Beata, G., & Marcel, B. (2017). The composite leading indicator for German business cycle. Journal of Competitiveness, 9(4), 114. [Google Scholar] [CrossRef]
2. CEZ (2019). Introducing Czech Power Company CEZ. Retrieved from https://www.cez.cz/en/cez-group/cez.html
3. Chaigusin, S., Chirathamjaree, C., & Clayden, J. (2008, December). The use of neural networks in the prediction of the stock exchange of Thailand (SET) Index. In 2008 International Conference on Computational Intelligence for Modelling Control & Automation (pp. 670-673). IEEE. [Google Scholar] [CrossRef]
4. Chen, S., & He, H. (2018, October). Stock prediction using convolutional neural network. In IOP Conference Series: Materials Science and Engineering (Vol. 435, No. 1, p. 012026). [Google Scholar] [CrossRef]
5. Chowdhury, R., Mahdy, M. R. C., Alam, T. N., Al Quaderi, G. D., & Rahman, M. A. (2020). Predicting the stock price of frontier markets using modified Black–Scholes Option pricing model and machine learning. Physica A: Statistical Mechanics and its Applications. [Google Scholar] [CrossRef]
6. Dinh, T. A., & Kwon, Y. K. (2018). An empirical study on importance of modeling parameters and trading volume-based features in daily stock trading using neural networks. In Informatics (Vol. 5, No. 3, p. 36). Multidisciplinary Digital Publishing Institute. [Google Scholar] [CrossRef]
7. Endress, T. (2018). «Deliberated Intuition» in Stock Price Forecasting. Economics and Sociology, 11(3), 11-27. [Google Scholar] [CrossRef]
8. Enke, D., Grauer, M., & Mehdiyev, N. (2011). Stock market prediction with multiple regression, fuzzy type-2 clustering and neural networks. Procedia Computer Science, 6, 201-206. [Google Scholar] [CrossRef}
9. Fitriyaningsih, I., Tampubolon, A. R., Lumbanraja, H. L., Pasaribu, G. E., & Sitorus, P. S. (2019). Implementation of Artificial Neural Network to Predict S&P 500 Stock Closing Price. In Journal of Physics: Conference Series (Vol. 1175, No. 1, p. 012107). IOP Publishing. [Google Scholar] [CrossRef]
10. Gandhmal, D. P., & Kumar, K. (2019). Systematic analysis and review of stock market prediction techniques. Computer Science Review, 34, 100190. [Google Scholar] [CrossRef]
11. Groda, B., & Vrbka, J. (2017). Prediction of stock price developments using the Box-Jenkins method. In SHS Web of Conferences: Innovative Economic Symposium 2017 – Strategic Partnership in International Trade. [CrossRef]
12. Guo, Z., Wang, H., Yang, J., & Miller, D. J. (2015). A stock market forecasting model combining two-directional two-dimensional principal component analysis and radial basis function neural network. PloS one, 10(4), e0122385. [Google Scholar] [CrossRef]
13. Jujie, W. A. N. G., & Danfeng, Q. U. E. (2018). An experimental investigation of two hybrid frameworks for stock index prediction using neural network and support vector regression. Economic Computation & Economic Cybernetics Studies & Research, 52(4). [Google Scholar] [CrossRef]
14. Kamata, H. (2016). A Segmentation Analysis of Japanese Spa Tourists. Journal of Tourism & Services, 7(12). [Google Scholar]  
15. Ma, J., & Liu, L. (2008). Multivariate nonlinear analysis and prediction of Shanghai stock market. Discrete Dynamics in Nature and Society, 2008. [Google Scholar] [CrossRef]
16. Mira, M. D. R. C., Moura, A. F. A., & Mónico, L. D. S. M. (2018). A new measure of the quality of tourism product. Journal of Tourism and Services, 9(17). [Google Scholar] [CrossRef]
17. Mostafa, M. M., & El-Masry, A. A. (2016). Oil price forecasting using gene expression programming and artificial neural networks. Economic Modelling, 54, 40-53. [Google Scholar] [CrossRef]
18. Nayak, S. C., & Misra, B. B. (2018). Estimating stock closing indices using a GA-weighted condensed polynomial neural network. Financial Innovation, 4(1), 21. [Google Scholar] [CrossRef]
19. Nayak, S. C., Misra, B. B., & Behera, H. S. (2017). Artificial chemical reaction optimisation of neural networks for efficient prediction of stock market indices. Ain Shams Engineering Journal, 8(3), 371-390. [Google Scholar] [CrossRef]
20. Ntakaris, A., Magris, M., Kanniainen, J., Gabbouj, M., & Iosifidis, A. (2018). Benchmark dataset for mid‐price forecasting of limit order book data with machine learning methods. Journal of Forecasting, 37(8), 852-866. [Google Scholar] [CrossRef]
21. Plastun, O. L., Kozmenko, S. M., Plastun, V., & Filatova, H. P. (2019). Market anomalies and data persistence: The case of the day-of-the-week effect. [Google Scholar] [CrossRef]
22. Pyo, S., Lee, J., Cha, M., & Jang, H. (2017). Predictability of machine learning techniques to forecast the trends of market index prices: Hypothesis testing for the Korean stock markets. PloS one, 12(11). [Google Scholar] [CrossRef]
23. Qiu, M., & Song, Y. (2016). Predicting the direction of stock market index movement using an optimised artificial neural network model. PloS one, 11(5). [Google Scholar] [CrossRef]
24. Rodríguez-Gonzalez, A., García-Crespo, A., Colomo-Palacios, R., Iglesias, F. G., & Gómez-Berbís, J. M. (2011). CAST: Using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator. Expert systems with Applications, 38(9), 11489-11500. [Google Scholar] [CrossRef]
25. Shastri, M., Roy, S., & Mittal, M. (2019). Stock price prediction using artificial neural model: an application of big data. EAI Endorsed Transactions on Scalable Information Systems, 6(20). [Google Scholar] [CrossRef]
26. Vrbka, J., & Rowland, Z. (2017). Stock price development forecasting using neural networks. In SHS Web of Conferences: Innovative Economic Symposium 2017 – Strategic Partnership in International Trade. doi: [CrossRef]
27. Vrbka, J., Machova, V., & Turkova, M. (2018). Evaluation of the stock prices of a concrete company. In 9th International Scientific Conference «Company Diagnostics, Controlling and Logistic».
28. Vrbka, J., Rowland, Z., & Suleř, P. (2019). Comparison of neural networks and regression time series in estimating the development of the EU and the PRC trade balance. In SHS Web of Conferences (Vol. 61, p. 01031). EDP Sciences. [Google Scholar] [CrossRef]
29. Wang, J., Wang, J., Fang, W., & Niu, H. (2016). Financial time series prediction using elman recurrent random neural networks. Computational intelligence and neuroscience, 2016. [Google Scholar] [CrossRef]