Des chercheurs développent un modèle basé sur l’IA pour prédire les tendances boursières

Les outils d’IA peuvent-ils aider à prédire l’évolution et l. a. volatilité des cours boursiers ? C’est ce que pensent deux chercheurs de l’Université d’État du Dakota du Sud. Kaiqun Fu, professeur adjoint au Département de génie électrique et d’informatique du SDSU, et Yangxiao Bai, assistant de recherche diplômé, ont développé un modèle basé sur l’IA qui prédit les mouvements des cours boursiers et les tendances de l. a. volatilité des marchés boursiers.

Présenté sous le nom de « ALERTA-Web », leur modèle est un réseau neuronal profond qui intègre des données macroéconomiques, des données de moteurs de recherche et des données de médias sociaux – le premier du style à le faire. Le file est publié le arXiv Serveur d’affect avancé.

“À notre connaissance, il s’agit de l’une des premières tentatives visant à utiliser une combinaison de médias sociaux, de données macroéconomiques et d’informations sur les moteurs de recherche pour prédire l’évolution et l. a. volatilité des cours boursiers”, a déclaré Fu.

Les marchés boursiers américains comptent parmi les marchés financiers les plus surveillés au monde et constituent un indicateur avancé de l. a. santé économique d’un can pay. Il est également très difficile de prédire avec une précision sturdy. En matière d’études et de prévisions boursières, il existe deux méthodes de base : l’analyse methodology et l’analyse fondamentale.

L’analyse methodology s’appuie sur les cours boursiers passés pour prédire les tendances futures. L’analyse fondamentale utilise des informations et des données externes. Selon Fu et Pai, les deux méthodes présentent des inconvénients qui leur font manquer des indicateurs boursiers majeurs.

“L’analyse methodology s’appuie fortement sur des données historiques, qui peuvent parfois ignorer les changements soudains du marché dus à des événements inattendus”, a déclaré Fu. “En supposant un comportement de marché uniformément rationnel, cette méthode peut créer par inadvertance une chambre d’écho. Cet effet peut amplifier les signaux de buying and selling eux-mêmes et, en fin de compte, se déconnecter du contexte économique réel.”

D’un autre côté, l’analyse fondamentale a tendance à se concentrer sur les marchés financiers et néglige souvent l. a. relation symbiotique entre l’économie au sens huge et le marché boursier. Cependant, elle nécessite toujours une approche plus globale que l’analyse methodology.

“Les modèles existants se concentrent principalement sur l. a. prévision des changements de tendance et négligent souvent l’significance de l’ampleur de ces changements”, a déclaré Fu. “Dans le monde du comportement des movements, l’ampleur de ces changements a beaucoup de poids.”

Pour construire ce modèle de prévision complet et multicouche, l’équipe de recherche, qui comprenait des professeurs de Virginia Tech et de l. a. Texas A&M College-Corpus Christi, a sélectionné 41 movements « de premier ordre » à partir d’un classement mondial de l’industrie. Fu et Bai ont ensuite combiné leur experience dans l. a. recherche d’informations sur les réseaux sociaux, un processus qui utilise l’apprentissage profond, une méthode d’intelligence artificielle, pour collecter et lire de grandes collections de publications.

Les données proviennent de Yahoo Finance, qui a tracé l’évolution de 41 movements sur trois ans. L. a. plateforme de médias sociaux X, anciennement connue sous le nom de Twitter, a été utilisée pour identifier l. a. supply des publications sur les réseaux sociaux. Plus de 7 thousands and thousands de tweets traitant de 41 movements différentes ont été collectés, analysés et inclus dans le modèle.

“Nous reconnaissons l’affect significatif du quantity de Twitter sur les transactions boursières”, a déclaré Fu. “Nous nous sommes assurés que les paramètres d’entrée de notre modèle incluent l’analyse des sentiments des tweets individuels et le nombre quotidien de publications Twitter traitées.”

Des données historiques de l. a. Réserve fédérale ont également été intégrées au modèle.

Les résultats du modèle montrent qu’il a de meilleurs résultats – en termes de précision – que DP-LSTM, un réseau populaire de prévision des mouvements de shares, ainsi que d’autres modèles de prévision de base.

“Notre étude a révélé que l’intégration de données macroéconomiques améliore considérablement les capacités prédictives du modèle en matière de mouvement des movements et de volatilité à des degrés divers”, a déclaré Fu.

Ce n’est que le début du travail de Fu et Bai, automotive ils continueront à expérimenter de nouvelles entrées et assets de données pour améliorer l. a. précision du modèle. Fu pense que le modèle peut devenir plus précis en intégrant des assets audio et vidéo. De plus, il estime que ce sort de modélisation a des packages au-delà du marché boursier.

“Ce sort de modélisation peut nous aider à prédire les temps d’attente sur les autoroutes très fréquentées, par exemple”, a déclaré Fu. « Les packages pour ce sort de travail sont énormes. »