Исследовательский потенациал молодых ученых: взгляд в будущее - 2022

4 рабатываются инвестиционными фондами, которые нацелены на получение при- были с инвестирования и торговлей активами. Каждый фонд имеет определён- ные стратегии торговли и инвестирования. Наилучшим образом данные страте- гии реализуются при помощи методов машинного обучения. Постоянной изменчивость рынка и сложность использования для этих целей классических алгоритмов склоняет использовать машинное обучение. Общие тенденции решения подобного класса задач методами машинного обучения – это использование нейронных сетей [2]. При этом сразу можно также отделить технический анализ от фундаментального: для первого используются методы анализа временных рядов, а для второго – методы обработки текстов, т. е. естественных языков (NLP). В большинстве случаев для работы применя- ются уже использовавшиеся архитектуры нейросетей (например, задача вычис- ления азиатских опционов) и простые модели (нейросети с прямой связью) [4]. Для работы с временными рядами в последнее время используют меха- низмы LSTM ( Long Short-Term Memory , долгосрочная кратковременная память) [3]. Данный механизм отличается от сетей с прямой связью тем, что данные, вве- денные на предыдущих шагах, запоминаются и влияют на результаты следую- щих с некоторым весом. Данный механизм значительно увеличивает результаты. Реже используются SVM (Support Vector Machine) – алгоритм классификации, который позволяет разделять наборы данных [1]. В NLP используют методы Random Forest, Word2Vec и его аналоги. Методы семейства Word2Vec позволяет представлять структуры естественного языка (слова, предложения, абзацы) в виде векторов в n -мерных пространствах. NLP не может обходиться без тщательной подготовки входных данных: удаление стоп- слов, стемминг (выделение основ) и т. д. Результаты и их обсуждение. Большинство работ и методов показывают положительные результаты. В сравнении с эталонными методами (обычными простыми методами), методы машинного обучения значительно лучше и точнее. С другой стороны, практически во всех работах данные задачи рассматри- ваются с точки зрения возможности их решения, а не для получения практиче- ского результата. В работах, в основном, рассматриваются лишь отдельные эле- менты анализа, например, анализ новостей, анализ котировок и т. п., и лишь малая часть посвящена фундаментальному анализу. Практически нет работ, ис- пользующих одновременно различные методы решения. Заключение. Существующие методы машинного обучения хоть и показы- вают положительные результаты в анализе компаний, но требую значительных исследований, в отличие от довольно хорошо развитых методов работы с изоб- ражениями и образами. Литература 1. Kalyani Joshi. Stock Trend Prediction Using News Sentiment Analysis // In- ternational Journal of Computer Science and Information Technology. 8. – 2016. – C. 67–76.