Stock price prediction using deep learning methods in high-frequency trading

Abstract

Borsa analizleri finansal, politik ve sosyal göstergeler göz önünde bulundurularak yapılırken, büyük veri ve derin öğrenme teknolojilerindeki önemli gelişmeler araştırmacı ve yatırımcıların dikkatini bilgisayar destekli analizlere yöneltmiştir. Bu çalışmada temel olarak kullanılan Bütünleşik Otoregresif Hareketli Ortalama (ARIMA) modelinin yanında Uzun Kısa-Dönem Hafızalı (LSTM) ağlar, Kapı Özyinelemeli Geçitler (GRU), Uzun Kısa-Dönem Hafızalı ağlarda Dikkat Mekanizması olmak üzere dört farklı model incelenmiştir. Borsa İstanbul verileriyle gerçekleştirilen çalışmada gün içi verileriyle tahminler gerçekleştirilmiĢtir. Yapılan test çalışmaları sonucunda Kapı Özyinelemeli Geçitler'in diğer modellere göre daha iyi sonuç verdiği görülmüştür.

The stock market analysis examines and evaluates the stock market by considering the financial, political, and social indicators to make future predictions. Breakthrough results of advancements in big data and deep learning technologies attract the attention of researchers and traders to computer-assisted stock market analysis. There are several studies on stock market analysis using conventional machine learning and deep learning models. In this paper, we used Autoregressive Integrated Moving Average (ARIMA) as a base model and compared it with three different models of Recurrent Neural Networks: Long Short-Term Memory (LSTM) networks, Gated Recurrent Unit (GRU), LSTM with an attention layer model. We compare the results and performance of four different models on Borsa Istanbul data while making intraday predictions. Even though the LSTM results are very close to the GRU model, GRU slightly outperforms the others.