Гібридний підхід до прогнозування вартості акцій на основі LSTM-мереж та сентимент-аналізу новин

Abstract

У тезах досліджується гібридний підхід до прогнозування вартості акцій, що ґрунтується на інтеграції числових і текстових даних. Обґрунтовано актуальність застосування моделей глибокого навчання (LSTM і Fin ERT) для аналізу емоційного забарвлення фінансового новинного фону. Основна мета полягає в експериментальному підтвердженні того, що врахування поведінкового фактора (сентименту) підвищує точність прогнозування за метрикою RMSE. Запропоновано архітектуру, реалізовану на базі Node.js і TensorFlow.js, яка поєднує LSTM для аналізу часових рядів та донавчену трансформерну модель ( ERT) для класифікації тональності. Очікується, що такий комплексний підхід дозволить отримувати більш надійні прогнози в умовах ринкової волатильності [1,2].