StockNet: A Multivariate Deep Neural Architecture for stock prices prediction

Abstract

A previsão dos preços de ações é um problema inerentemente difícil. De acordo com a hipótese do mercado eficiente, os preços financeiros são imprevisíveis. No entanto, muitos métodos de aprendizado de máquina têm obtido resultados consistentes na antecipação de movimentos de mercado. Modelos de previsão de séries temporais recentes têm tentado prever apenas a polaridade dos preços, ou seja, se eles subiram ou caíram em relação ao passo temporal anterior. Tal abordagem é ineficiente em cenários reais, pois dificulta o planejamento financeiro em virtude dos custos e taxas presentes em cada operação. A maioria desses métodos usa Redes Neurais Recorrentes, porém, avanços recentes em redes temporais convolutivas têm se mostrado promissores na previsão de séries temporais, possibilitando previsões melhores com modelos mais fáceis de treinar. Arquiteturas híbridas também têm obtido resultados importantes ao processar informações não estruturadas de notícias financeiras. Propomos neste estudo uma nova arquitetura neural profunda para previsão de preço de ações baseada em Redes Convolucionais Temporais e inspirada em um modelo acústico do estado da arte para síntese de voz. Resultados experimentais mostram que nosso modelo pode melhorar de forma consistente a previsão do preço de ações individuais quando comparado aos métodos tradicionais.