Прогнозирование котировок акций ПАО НОВАТЭК с использованием моделей дерева решений и линейной регрессии
- Авторы: Кузнецов Р.С.1, Тумарова Т.1
-
Учреждения:
- ФГБОУ ВО «Санкт-Петербургский государственный экономический университет»
- Выпуск: № 7 (2023)
- Страницы: 56-70
- Раздел: Статьи
- URL: https://journals.rcsi.science/0207-3676/article/view/142818
- DOI: https://doi.org/10.31857/S020736760026686-3
- ID: 142818
Открытый доступ
Доступ предоставлен
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.
Ключевые слова
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
- 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.
- 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.
- 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.
- 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.
- Hota J., Chakravarty S., Paikaray B., Bhoyar H. Stock market prediction using machine learning techniques // CEUR. 2022. No. 3283. Pp. 163–171.
- 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.
- Lv P., Wu Q., Xu J. Stock index prediction based on time series decomposition and hybrid model // Entropy. 2022. No. 24. Pp. 1–18.
- Majumder A., Rahman M., Biswas A. Stock market prediction: a time series analysis // Smart systems: innovations in computing. 2021. No. 235. Pp. 389–401.
- 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.
- 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.
- Serrano W. The random neural network in price predictions // Neural computing and applications. 2022. No. 34. Pp. 855–873.
- 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.
- Singh G. Machine learning models in stock market prediction // International Journal of innovative technology and exploring engineering (IJITEE). 2022. No. 11. Pp. 18–28.
- Singh S., Rehan S., Kumar V. Stock price prediction using linear regression, LSTM and decision tree // EasyChair Preprint. 2022. No. 7805. Pp. 1–5.
- Zhao A., Cheng T. Stock return prediction: stacking a variety of models // ELSEVIER. 2022. No. 67. Pp. 1–12.
