Прогнозирование котировок акций ПАО НОВАТЭК с использованием моделей дерева решений и линейной регрессии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Развитие технологий и появление различных моделей машинного обучения оказывает влияние на многие сферы деятельности общества, в том числе и на анализ и прогнозирование фондового рынка. Умение грамотно подбирать и использовать модели машинного обучения в прогнозировании котировок акций является одним из ключевых в настоящее время конкурентным преимуществом, позволяющим увеличивать свою прибыль от деятельности на рынке как крупным инвестиционным компаниям, так и частным лицам. В исследовании отражена эффективность использования моделей «дерева решений» и линейной регрессии при прогнозировании дневных котировок ПАО НОВАТЭК.

Об авторах

Роман Сергеевич Кузнецов

ФГБОУ ВО «Санкт-Петербургский государственный экономический университет»

Email: socpol@mail.ru
Санкт-Петербург, Российская Федерация

Татьяна Тумарова

ФГБОУ ВО «Санкт-Петербургский государственный экономический университет»

Email: socpol@mail.ru
Санкт-Петербург, Российская Федерация

Список литературы

  1. Agrawal M., Shukla P., Nair R., Nayyar A. Stock prediction based on technical indicators using deep learning model // Tech Science Press. 2022. No. 1. Pp. 287–304.
  2. Eguz B., Kaya T. Stock price prediction of Turkish banks using machine learning methods // International conference on intelligent and fuzzy systems. 2021. No. 308. Pp. 1–17.
  3. Ghani M., Awais M., Muzammul M. Stock market prediction using machine learning (ML) algorithms // ADCAIJ: advances in distributed computing and artificial intelligence journal. 2019. No. 4. Pp. 97–116.
  4. Gururaj V., Ashwini K. Stock market prediction using linear regression and support vector machines // International journal of applied engineering research. 2019. No. 14. Pp. 1931–1934.
  5. Hota J., Chakravarty S., Paikaray B., Bhoyar H. Stock market prediction using machine learning techniques // CEUR. 2022. No. 3283. Pp. 163–171.
  6. Kumar M., Chandra K., Gupta K. Stock analysis and prediction of Indian oil trading using big data analytics // International journal of mechanical engineering. 2022. No. 1. Pp. 6734–6738.
  7. Lv P., Wu Q., Xu J. Stock index prediction based on time series decomposition and hybrid model // Entropy. 2022. No. 24. Pp. 1–18.
  8. Majumder A., Rahman M., Biswas A. Stock market prediction: a time series analysis // Smart systems: innovations in computing. 2021. No. 235. Pp. 389–401.
  9. Rajeswar S., Ramalingam P., Sudalai T. Comparative analysis of stock market price behaviors using machine learning techniques // International conference on advances in materials, computing and communication technologies. 2020. No. 2385. Pp. 25–37.
  10. Raubitzek S., Neubauer T. An exploratory study on the complexity and machine learning predictability of stock market data // Entropy. 2022. No. 332. Pp. 1–34.
  11. Serrano W. The random neural network in price predictions // Neural computing and applications. 2022. No. 34. Pp. 855–873.
  12. Shah J., Vaidya D., Shah M. A comprehensive review on multiple hybrid deep learning approaches for stock prediction // ELSEVIER. 2022. No. 16. Pp. 1–14.
  13. Singh G. Machine learning models in stock market prediction // International Journal of innovative technology and exploring engineering (IJITEE). 2022. No. 11. Pp. 18–28.
  14. Singh S., Rehan S., Kumar V. Stock price prediction using linear regression, LSTM and decision tree // EasyChair Preprint. 2022. No. 7805. Pp. 1–5.
  15. Zhao A., Cheng T. Stock return prediction: stacking a variety of models // ELSEVIER. 2022. No. 67. Pp. 1–12.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023