Toistuvien neuroverkkojen vertailu osakehintojen ennustamisessa

Abstract

Tämä tutkielma vertailee pitkä lyhytaikainen muisti (LSTM, engl. long short- term memory) ja aidatut toistuvat yksiköt (GRUs, engl. gated recurrent units) toistuvia neuroverkkoja ja niiden suorituskykyä osakehintojen ennustamisessa. Tarkastelluissa tutkimuksissa LSTM ja GRU pärjäsivät pitkälti yhtä hyvin. LSTM osoitti GRU:ta parempaa suorituskykyä niissä tutkimuksissa, joissa käytettiin enemmän teknisiä indikaattoreita. Tarkastelluissa tutkimuksissa, jossa tutkijat esittivät oman mallinsa, kuten WLSTM+attention malli, pärjäsi tutkijoiden malli molempia GRU- ja LSTM mallia paremmin.

This study compares the performance of long short-term memory (LSTM) and gated recurrent units (GRU) recurrent neural networks in predicting stock prices. Based on the examined papers, both models show fairly similar performance, with LSTM outperforming GRU in studies that used more technical indicators. In the papers where where the researchers presented their own model, such as the WLSTM+attention model, the researchers’ model outperformed both the GRU and LSTM models.