МОДЕЛІ ТА МЕТОДИ ТЕХНІЧНОГО АНАЛІЗУ ФІНАНСОВИХ РИНКІВ

Заголовок (англійською): 
MODELS AND METHODS OF TECHNICAL ANALYSIS OF FINANCIAL MARKETS
Автор(и): 
Ладижець В. І.
Теренчук С. А.
Автор(и) (англ): 
Ladyzhets Viktor
Terenchuk Svitlana
Ключові слова (укр): 
розпізнавання шаблонів; технічний аналіз; фондовий ринок; ціна активу; часовий ряд; шаблонна діаграма
Ключові слова (англ): 
asset price; pattern recognition; patterns; technical analysis; time series; stock market
Анотація (укр): 
В статті проведено огляд існуючих моделей та методів аналізу і прогнозування фінансових ринків. Актуальність теми зумовлена значним зростанням кількості фінансових інструментів на фондових та інших фінансових ринках, а також стрімкою комп’ютеризацією процесу торгів на цих ринках. Представлено основні відомості щодо фундаментального та технічного підходу до аналізу фінансових ринків, наведено основні припущення, на яких базуються ці підходи. Висвітлено основні задачі та проблеми, що виникають у процесі аналізу і передбачення фінансових ринків. Основну увагу зосереджено на огляді існуючих підходів до розв’язання поставлених задач прогнозування майбутньої ціни активу, пошуку аномалій в даних та аналізу поточного стану ринку. Надано огляд досягнень в аналізі та прогнозуванні ринків, технічні, фундаментальні, коротко- та довгострокові підходи, що використовуються для аналізу ринків. У роботі розглядаються статистичні методи прогнозування, методи розпізнавання шаблонів, моделі та методи машинного навчання з учителем та без учителя, моделі сентиментального аналізу, а також гібридні моделі. Проведено огляд результатів дослідження таких моделей та методів, як Long short-term memory, Gated recurrent units, Support vector machine, Perceptually Important Points, які використовуються як самостійно, так і в якості компоненти гібридної моделі для різних фінансових ринків. Зокрема, в оглянутих публікаціях досліджуються моделі на фондовому ринку США та корейському фондовому ринку. Проведене дослідження показало, що для короткострокового прогнозування ціни акцій компанії на фондовому ринку найбільш перспективними є гібридні штучні нейронні мережі, які здатні врахувати суспільні настрої гравців ринку. На основі проведеного дослідження визначено доцільність використання стистичних моделей в комбінації з методами розпізнавання шаблонів чи машинного навчання.
Анотація (англ): 
This paper is devoted to the study of existing models and methods of analysis and prediction of financial markets. Basic information about fundamental and technical analysis of financial markets and their main assumptions is provided. The main tasks and problems that arise in the process of analysis and forecasting of financial markets are highlighted. The relevance of the topic is ensured by the fact of significant increase in the number of financial instruments in stock and other financial markets, as well as the rapid computerization of the trading process in these markets. Analysis of existing models and methods used to solve problems such as: analysis of the current market situation, search for patterns and anomalies in the financial time series and forecast the future price of the asset is provided. Authors mainly focus on statistical models and forecasting methods, pattern recognition methods, machine learning models and methods, sentimental analysis models and hybrid models. Study on the results of such models and methods as long short-term memory, gated recurrent units, support vector machine, perceptually important points is provided. In particular, given results of research of models that are used both independently and as components of a hybrid model for technical analysis of various financial markets. Namely, an overview of the achievements in the application of these models for short- and long-term forecasting in the United States stock market and Korean stock market. It has been found that hybrid artificial neural networks, which are able to take into account the public mood of market players, are the most promising for short-term forecasting of the company's stock price in the stock market. Based on the study, feasibility of using statistical models in combination with methods of pattern recognition or machine learning.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 48, 2021
Назва журналу, номер, рік випуску (рус): 
Управление развитием сложных систем, номер 48, 2021
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, Number 48, 2021
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
Дата публікації: 
17 Ноябрь 2021
Номер збірника: 
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Київський національний університет будівництва і архітектури, Київ
Литература: 
  1. Fundamental Analysis. URL: www.investopedia.com/terms/f/fundamentalanalysis.asp.
  2. Adam Hayes, 2021 Technical Analysiss. URL: www.investopedia.com/terms/t/technicalanalysis.asp
  3. Adam Hayes, 2021. Dow Theory definition. URL: investopedia.com/terms/d/dowtheory.
  4. Robert Kissell. (2020). Algorithmic Trading Methods Applications Using Advanced Statistics, Optimization, and Machine Learning Techniques P. 87.
  5. The economist, 2019. The stock market is now run by computers, algorithms and passive managers. URL: www.economist.com/briefing/2019/10/05/the-stockmarket-is-now-run-by-computers-algorithms-and-passive-manager.
  6. Adam Hayes, 2021 Introduction to Technical Analysis Price Patterns. URL: www.investopedia.com/articles/technical/112601.asp
  7. Corry Mitchell, 2021. Und, erstanding Basic Candlestick Charts. URL: www.investopedia.com/trading/candlestick-charting-what-is-it.
  8. Elbahloul, Karim, (2019). Stock Market Prediction Using Various Statistical Methods Volume I. 10.13140/RG.2.2.13235.17446.
  9. Sun, Qizhou & Si, Yain Whar. (2020). An Efficient Segmentation Method: Perceptually Important Point with Binary Tree. 10.1007/978-3-030-59051-2_24.
  10. Markowska-Kaczmar, Urszula, and Maciej Dziedzic, (2008). Discovery of Technical Analysis Patterns. Paper presented at the International Multiconference on Computer Science and Information Technology, IMCSIT 2008, Wisia, Poland, October 20–22.
  11. Schumaker, Robert P., and Hsinchun Chen, (2009). Textual Analysis of Stock Market Prediction Using Breaking Financial News: The Azfin Text System. ACM Transactions on Information Systems (TOIS) 27: 12.
  12. Adebiyi, Ayodele & Adewumi, Aderemi & Ayo, Charles, (2014). Stock price prediction using the ARIMA model. Proceedings - UKSim-AMSS 16th International Conference on Computer Modelling and Simulation, UKSim 2014.
  13. Cont, Rama. (2005). Volatility Clustering in Financial Markets: Empirical Facts and Agent-Based Models. Long Memory in Economics. 1. 10.2139/ssrn.1411462.
  14. Kim, Sang, Hee Soo Lee, Hanjun Ko, Seung Hwan Jeong, Hyun Woo Byun, and Kyong Joo Oh, (2018). Pattern Matching Trading System Based on the Dynamic Time Warping Algorithm. Sustainability 10: 4641.
  15. Hyun Sik Sim, Hae In Kim, Jae Joon Ahn, (2019). Is Deep Learning for Image Recognition Applicable to Stock Market Prediction? Complexity, vol. 2019, Article ID 4324878, 10 pages.
  16. Hossain, Mohammad Asiful, Rezaul Karim, Ruppa K. Thulasiram, Neil D. B. Bruce, and Yang Wang, (2018). Hybrid Deep Learning Model for Stock Price Prediction. Paper presented at the 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, November 18–21.
  17. Hochreiter, Sepp & Schmidhuber, Jürgen. (1997). Long Short-term Memory. Neural computation. 9. 1735-80. 10.1162/neco.1997.9.8.1735.
  18. Prajitno, Yakobus & Setyohadi, Djoko & Dwiandiyanta, Bernadectus. (2021). Forecasting Stock Exchange Using Gated Recurrent Unit. 99-104. 10.1109/ICITech50181.2021.9590123.
  19. Lv, Dongdong, Shuhan Yuan, Meizi Li, and Yang Xiang. 2019. An Empirical Study of Machine Learning Algorithms for Stock Daily Trading Strategy. Mathematical Problems in Engineering.
  20. Powell, Nicole, Simon Y. Foo, and Mark Weatherspoon, (2008). Supervised and Unsupervised Methods for Stock Trend Forecasting. Paper presented at the 40th Southeastern Symposium on System Theory (SSST 2008), New Orleans, LA, USA, March 16–18.
  21. Robert P. Schumaker, Hsinchun Chen, (2010). Discrete Stock Price Prediction Engine Based on Financial News.