| DC Field | Value | Language |
|---|
| dc.contributor.author | Vasyaeva, T. A. | - |
| dc.contributor.author | Martynenko, T. V. | - |
| dc.contributor.author | Khmilovyi, S. V. | - |
| dc.contributor.author | Andrievskaya, N. K. | - |
| dc.date.accessioned | 2020-03-12T09:55:22Z | - |
| dc.date.available | 2020-03-12T09:55:22Z | - |
| dc.date.issued | 2020 | - |
| dc.identifier.citation | Stock Prices Dynamics Forecasting with Recurrent Neural Networks / Tatyana Vasyaeva [et al.] // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2020) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков (гл. ред.) [и др.]. – Минск, 2020. – Вып. 4. – С. 277–282. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/38693 | - |
| dc.description.abstract | The application of deep neural networks was examined in the area of stock prices forecasting of pharmacies chain "36 and 6". The learning sample formation in the time series area was shown and the neural network architecture was proposed. The neural network for exchange trade forecasting using Python’s Keras Library was developed and trained. The basic parameters setting of algorithm have been carried out. | ru_RU |
| dc.language.iso | en | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | machine learning | ru_RU |
| dc.subject | deep learning | ru_RU |
| dc.subject | recurrent neural networks | ru_RU |
| dc.subject | short-term memory | ru_RU |
| dc.subject | stock prices | ru_RU |
| dc.title | Stock Prices Dynamics Forecasting with Recurrent Neural Networks | ru_RU |
| dc.title.alternative | Прогнозирование динамики изменения цен на акции с помощью рекуррентных нейронных сетей | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | В статье рассмотрено применение рекуррентных нейронных сетей для прогнозирования цен акций сети аптек «36и6».
Предметом исследования данной работы являются методы анализа фондовых бирж. Показано получение котировок акций, описан формат полученной информации. Данные
представляют собой многомерный временной ряд, который содержит 5 каналов: цена открытия, максимальная цена, минимальная цена, цена закрытия, объем торгов. Рассмотрено формирование обучающей выборки «скользящим окном» в
задачах машинного обучения применительно к многомерным временным рядам. Рекуррентные нейронные сети трудно обучать из-за проблемы исчезающего градиента. Показано применение GRU и LSTM сетей для решения данной проблемы. Предложена архитектура нейронной сети. Разработана и обучена нейронная сеть для прогнозирования биржевой торговли с использованием языка программирования Python, а также библиотеки Keras. Проведены эксперименты по настройке основных параметров. | - |
| Appears in Collections: | OSTIS-2020
|
