3870137716

5. Metody sztucznej inteligencji w przewidywaniu wartości indeksu giełdowego ... 5

wspomniane dane (tekstowe i numeryczne) mające pomóc w przewidzeniu zwrotu ceny akcji z kolejnego dnia. Eksperymenty przeprowadzono dla słowników o różnych rozmiarach. Wyniki porównano z prostą regułą przewidującą, która mówi, że jutrzejsza wartość indeksu będzie taka sama jak dzisiejsza, a więc zwrot będzie zawsze równy zero. Należy zauważyć, że jest to dość silna heurystyka wynikająca z modelu błądzenia losowego (ang. random walk model) związanego z hipotezą rynku efektywnego. Reguła ta jest często stosowana do sprawdzania efektywności przewidywania finansowych szeregów czasowych. Jako miarę błędu przewidywania wykorzystano pierwiastek z błędu średniokwadratowego (RMSE).

Błąd przewidywania dzień naprzód

Rys. 5.1. Zależność między długością pamięci a błędem przewidywania zwrotu z notowania indeksu dzień naprzód. Ciągła linia odpowiada regule mówiącej, że jutrzejsza wartość indeksu będzie taka sama jak dzisiejsza.

3.4. Analiza otrzymanych wyników i możliwe rozszerzenia systemu

Na podstawie przeprowadzonych badań otrzymano następujące wnioski. Algorytm predykcyjny osiąga gorsze wyniki, niż heurystyka zakładająca utrzymanie wartości w kolejnym dniu, a wraz z długością pamięci błąd przewidywania rośnie.

Główną przyczyną uzyskania niezadowalających wyników jest najprawdopodobniej problem z dobraniem odpowiednich słów do słownika. Zastosowany współczynnik CTF-IDF w przypadku użytych danych sprawia, że do słownika wybierane są głównie słowa mało znaczące ale popularne, które występują we wszystkich dokumentach. Powoduje to, że po zastosowaniu reprezentacji TF-IDF, większość wektorów odpowiadających dokumentom jest zerowa, a w rezultacie, zgodnie z tą reprezentacją, nie ma znaczenia. Przykładem tego typu mało znaczących słów mogą być słowa, które znalazły się w słowniku o rozmiarze 10: „in”, „on”, „Mr”, „sai”, „he”, „lear”, „compani”, „U.S”, „hi”, „Nuv”. Aby rozwiązać ten problem,