Оценка влияния новостной информации из Telegram на котировки акций нейросетями

Данная работа посвящена анализу влияния новостной информации на краткосрочные колебания акций компании, к которым данная новостная информация относится. В качестве данных временных рядов используются минутные свечи котировок акций крупнейших публичных компаний на Московской бирже, новостная информация получена из популярных Telegram-каналов, посвященных новостям об экономике, бизнесу и инвестициях. Основной целью работы является оценка возможности построения нейросетевых моделей способных предсказывать краткосрочные изменения цен акций после публикации новостей. Для того чтобы сравнить качество предсказания около реальных новостей модели также строятся около синтетических новостей случайные точки во времени, которые симулируют момент выхода новости. Также для того чтобы показать стабильность результатов модели обучались и тестировались на различных подвыборках, полученных методом временной кросс-валидации. Более того, стабильность результатов продемонстрирована за счет использования различных по архитектуре нейросетей: сверточной, рекуррентной, двунаправленной рекуррентной и трансформера. В результате работы выявлено, что для всех компаний и на всех подвыборках, разделенных во времени, в среднем прогнозирование временных рядов около реальных новостей показывает качество хуже, чем прогнозирование в случайной точке, что отчасти подтверждает гипотезу эффективных рынков в слабой форме.

1. Кравец, Д. А. (2021). Исследование методов прогнозирования стоимости ценных бумаг на основе машинного обучения. Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем , 218–222.

2. Кузнецов, Р. С., & Тумарова, Т. Г. (2023). Прогнозирование котировок акций ПАО Газпром с использованием нейронных сетей LSTM. Вестник Института экономики Российской академии наук, 3 , 84–98. https://doi.org/10.52180/20736487_2023_3_84_98.

3. Хабр (15.12.2023). Добровицкий Ф. LSTM и GRU. Дата обращения 01.03.2025, https://habr.com/ru/companies/mvideo/articles/780774/.

4. Ampomah, E. K., & et al. (2021). Stock market prediction with gaussian naïve bayes machine learning algorithm. Informatica, 45 (2), 243–256. https://doi.org/10.31449/inf.v45i2.3407.

5. Cacciari, I., & Ranfagni, A. (2024). Hands-On Fundamentals of 1D Convolutional Neural Networks A Tutorial for Beginner Users. Applied Sciences, 14 (18). https://doi.org/10.3390/app14188500.

6. Chatfield, C. (2013). The analysis of time series: theory and practice. Springer. https://doi.org/10.1007/978-1-4899-2925-9.

7. Fama, E. F. (1970). Efficient capital markets. Journal of finance, 25 (2), 383–417. https://doi.org/10.2307/2325486.

8. GitHub (27.06.2018). Alammar, J. The Illustrated Transformer. Дата обращения 01.03.2025, https://jalammar.github.io/illustrated-transformer/.

9. Hvid, A. K., & Kristiansen, K. L. (2021). How news affects sectoral stock prices through earnings expectations and risk premia. Danmarks Nationalbank Working Papers, 168 . https://doi.org/10.2866/688016.

10. Ioff e, S. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint. https://doi.org/10.48550/arXiv.1502.03167.

11. Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint. https://doi.org/10.48550/arXiv.1605.00003.

12. Leković, M. (2018). Evidence for and against the validity of efficient market hypothesi. Economic themes, 5 6 (3), 369–387. https://doi.org/10.2478/ethemes-2018-0022.

13. Mehtab, S., & Sen, J. (2020). Stock price prediction using convolutional neural networks on a multivariate timeseries. arXiv preprint. DOI: https://doi.org/10.36227/techrxiv.15088734.

14. Nabipour, M. P., Nayyeri, H. J., Mosavi, A., Salwana, E., & Shahab, S. (2020). Deep learning for stock market prediction. Entropy, 22 (8), 840. https://doi.org/10.3390/e22080840.

15. Pang, X., Zhou, Y., Wang, P., & Lin, W. (2020). An innovative neural network approach for stock market prediction. The Journal of Supercomputing, 7 6 , 2098–2118. https://doi.org/10.1007/s11227-017-2228-y.

16. Suharsono, A., Aziza, A., & Pramesti, W. (2017). Comparison of vector autoregressive (VAR) and vector error correction models (VECM) for index of ASEAN stock price. AIP Conference Proceedings, 1913(1). https://doi.org/10.1063/1.5016666.

17. Volodin, S. N., Kuranov, G. M., & Yakubov, A. P. (2017). Impact of Political News: Evidence from Russia. Scientific Annals of Economics and Business, 64 (3), 271–287. https://doi.org/10.1515/saeb-2017-0018.

18. Wang, C., Chen, Y., Zhang, S., & Zhang, Q. (2022). Stock market index prediction using deep Transformer model. Expert Systems with Applications, 208 , 118–128. https://doi.org/10.1016/j.eswa.2022.118128.

19. Xie, L., Chen, Z., & Yu, S. (2024). Deep Convolutional Transformer Network for Stock Movement Prediction. Electronics, 13 (21), 4225. https://doi.org/10.3390/electronics13214225.

20. Zhang, J., Ye, L., & Lai, Y. (2023). Stock price prediction using CNN-BiLSTM-Attention model. Mathematics, 11 (9), 1985. https://doi.org/10.3390/math11091985.