Genetischer Algorithmus-optimierter Long Short-Term Memory-Netzwerk zur Aktienmarktprognose

Durch die jüngsten Fortschritte in der Computertechnologie werden ständig riesige Datenmengen und Informationen gesammelt. Insbesondere im Finanzbereich ergeben sich große Möglichkeiten, durch die Analyse dieser Informationen wertvolle Erkenntnisse zu gewinnen, da die Finanzmärkte eine enorme Menge an Echtzeitdaten, einschließlich Transaktionsprotokollen, erzeugen. Entsprechend zielt diese Studie darauf ab, ein neuartiges Modell zur Vorhersage der Aktienkurse unter Verwendung der verfügbaren Finanzdaten zu entwickeln. Da tiefes Lernen über eine hervorragende Fähigkeit zur Mustererkennung in großen Datensätzen verfügt, wird dieses Verfahren gewählt. In dieser Arbeit wird ein hybrider Ansatz vorgeschlagen, der das Langzeit-Kurzzeit-Gedächtnis-Netzwerk (LSTM) mit dem genetischen Algorithmus (GA) kombiniert. Bisher werden die Größe des Zeitfensters und architektonische Parameter des LSTM-Netzwerks üblicherweise durch probeweise, heuristische Ansätze geschätzt. Diese Forschung untersucht die zeitliche Struktur von Aktienmarktdaten und schlägt eine systematische Methode zur Bestimmung der Fenstergröße und Topologie des LSTM-Netzwerks mittels GA vor. Zur Evaluierung des vorgeschlagenen hybriden Ansatzes wurde der tägliche Korea Stock Price Index (KOSPI) herangezogen. Die experimentellen Ergebnisse zeigen, dass das hybride Modell aus LSTM-Netzwerk und GA das Benchmark-Modell übertrifft.