Application of ensemble gradient boosting decision trees to forecast stock price on WSE

  • Mateusz Dadej Uniwersytet Gdański

Abstrakt

Celem niniejszego artykułu jest wykorzystanie modelu z dziedziny uczenia maszynowego opartego na algorytmie zespołu wzmocnionych gradientowo drzew decyzyjnych do prognozowania kierunku zmian kursu akcji Banku Handlowego S.A. notowanego na GPW. We wstępie został przedstawiony kontekst uczenia maszynowego oraz wykorzystania go do prognozowania cen akcji. Następnie, przedstawiono proces tworzenia modelu klasyfikacyjnego wykorzystujący strukturę XGboost od etapu przetwarzania danych do jego ewaluacji. Danymi wejściowymi modelu były wskaźniki wykorzystywane w analizie technicznej, m.in. oscylatory stochastyczne oraz średnie ruchome, natomiast danymi wyjściowymi były kierunki zmian kursu na przestrzeni następnego tygodnia. Skuteczność modelu na danych testowych wyniosła 72%. Na końcu przeprowadzono symulacje portfela inwestycyjnego, podejmującego decyzje o transakcjach na podstawie wcześniej stworzonego modelu, wykorzystując metodę Monte Carlo w której dynamika procesów stochastycznych miała rozkład Laplace’a. Przy interpretacji wyników portfela inwestycyjnego wskazano ograniczenia ewaluacji modelu i strategii inwestycyjnej opartej o backtest.

Bibliografia

Basak S., et.al, Predicting the Direction of Stock Market Price Using Tree Based Classifiers, Applied Mathematical Finance, 2016.

Berlinger E., Mastering R for Quantitative Finance, Packt, Birmingham, 2015.

Chung K. L., Sahlia F., Elementary Probability Theory: With Stochastic Processes and an Introduction to Mathematical Finance, Springer, Boston, 2010.

Clinton V., Reddy K., Simulating Stock Prices Using Geometric Brownian Motion: Evidence from Australian Companies, Australasian Accounting, Business and Finance Journal, 10(3), 2016.

Fama E. A., Capital Markets: A Review of Theory and Empirical Work, The Journal of Finance, Vol. 25, 1969.

Focardi S. M., Fabozzi F. J., The Mathematics of Financial Modeling and Investment Management, Wiley, 2004.

Guestrin C., Chen T., XGBoost: A Scalable Tree Boosting System, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, 2016.

Kumar Y., et.al, Forecasting to Classification: Predicting the direction of stock market price using Xtreme Gradient Boosting, Working paper. DOI: 10.13140/RG.2.2.15294.48968.

Laplace, P-S. . Mémoire sur la probabilité des causes par les évènements, Mémoires de l’Academie Royale des Sciences Presentés par Divers Savan, 6, 1774.

Leung M. T., et.al, Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index, Computers & Operations Research 30, 2003.

Ponti M. A., Machine Learning a Practical Approach on the Statistical Learning Theory, Springer, Boston, 2018.

Saffi P.A.C., Sigurdson K., Price Efficiency and Short Selling, IESE Business school – University of Navarra, Barcelona, 2008.

Stearns B., et. al, Schoolar Performance Prediction using Boosted Regression Trees Techniques, ESANN 2017 proceedings, Bruges, 2017.

Stiglitz J.E., Grossman J.S., On the impossibility of Informationally Efficient Markets, The American Economic Review, 1980.

Ting K.M., Encyclopedia of Machine Learning, Springer, Boston, 2011.

Zięba M., et.al, Ensemble Boosted Trees with Synthetic Features Generation in Application to Bankruptcy Prediction, Expert Systems with Applications, 2016.

Xinjie D, Stock Trend Prediction with Technical Indicators using SVM, Stanford University, 2014.

Opublikowane
2019-03-11
Jak cytować
Dadej, M. (2019). Application of ensemble gradient boosting decision trees to forecast stock price on WSE. Zeszyty Studenckie „Nasze Studia", (9), 265-275. Pobrano z https://czasopisma.bg.ug.edu.pl/index.php/naszestudia/article/view/3420
Dział
Finanse i inwestycje