Modeling and forecasting of stock market processes

Abstract

Stock market valuation uses a variety of indicators, such as indices and ratings, to reflect its state and movement. For example, a stock exchange index reflects activity on a stock exchange and is calculated using specific formulas. The calculation of indices is based on statistical data on securities and helps to assess the risks of investments. These indices reflect market conditions. The methodology for forming stock indices includes four stages: sampling, weighting of shares, calculation of the average, and conversion to the index form. Two types of sampling are used: deterministic and floating-power sampling. The weighting coefficients are determined by the price criterion and market capitalization. The studied approaches to stock market modeling allow identifying functional dependencies in the data and developing forecasts. In particular, the methods of approximation and modeling by the Wiener process are allocated. Stock market forecasting using the multi-layer architecture of Long Short-Term Memory in the Keras library is investigated. The overall results confirm that an intelligent information system for automated trading decisions is effective, providing traders with competitive advantages and reducing risks.

Оцінка фондового ринку використовує різноманітні індикатори, такі як індекси та рейтинги, які відображають його стан та рух. Наприклад, біржовий індекс відображає активність на біржі та обчислюється за конкретними формулами. Розрахунок індексів базується на статистичних даних про цінні папери і допомагає оцінити ризики інвестицій. Ці індекси відображають кон'юнктуру ситуацію на ринку. Методологія формування фондових індексів включає чотири етапи: вибірку, зважування акцій, розрахунок середнього та конвертацію у форму індексу. Використовуються два типи вибірки – детермінована та вибірка з плаваючою потужністю. Вагові коефіцієнти визначаються за ціновим критерієм та ринковою капіталізацією. Вивчені підходи до моделювання фондового ринку дозволяють виявляти функціональні залежності в даних та розробляти прогнози. Зокрема, виділено методи апроксимації, моделювання вінерівським процесом. Досліджено прогнозування фондового ринку за допомогою багатошарової архітектури Long Short-Term Memory у бібліотеці Keras. Загальні результати підтверджують, що інтелектуальна інформаційна система для автоматизованих торговельних рішень ефективна, забезпечуючи трейдерам конкурентні переваги та зменшуючи ризики.