Сравнительный анализ прогнозных моделей ARIMA и lSTM на примере акций российских компаний // Comparative Analysis of ARIMA and lSTM Predictive Models: Evidence from Russian Stocks

A. Alzheev V., R. Kochkarov A., А. Алжеев В. and Р. Кочкаров А.
Additional contact information
A. Alzheev V.: Financial University
R. Kochkarov A.: Financial University
А. Алжеев В.: Финансовый университет
Р. Кочкаров А.: Финансовый университет

Финансы: теория и практика/Finance: Theory and Practice // Finance: Theory and Practice, 2020, vol. 24, issue 1, 14-23

Abstract:

The article aims to find the best time series predictive model, considering the minimization of errors and high accuracy of the prediction. The authors performed the comparative analysis of the most popular “traditional” econometric model ARIMA and the deep learning model LSTM (Long short-term memory) based on a recurrent neural network. The study provides a mathematical description of these predictive models. The authors developed algorithms for predicting time series based on the “Rolling forecasting origin” approach. These are Python-based algorithms using the Keras, Theano and Statsmodels libraries. Stock quotes of Russian companies Alrosa, Gazprom, KamAZ, NLMK, Kiwi, Rosneft, VTB and Yandex for the period from June 2, 2014 to November 11, 2019, broken down by week, served as input data. The research results confirm the superiority of the LSTM model, where the RMSE error is 65% less than with the ARIMA model. Therefore, an LSTM model-based algorithm is more preferable for the better quality of time series prediction.

Цель статьи — поиск лучшей модели для прогноза временных рядов с учетом минимизации ошибок и высокой точности прогноза. Использован метод сравнительного анализа наиболее популярной «традиционной» эконометрической модели ARIMA и модели глубокого обучения LSTM (Long short-term memory) на основе рекуррентной нейронной сети. Приведено математическое описание этих прогнозных моделей. Авторы разработали алгоритмы для прогноза временных рядов, основанные на подходе “Rolling forecasting origin” («прогнозирование происхождения»). Алгоритмы реализованы в среде программирования Python с подключенными библиотеками Keras, Theano и Statsmodels. В качестве входных наборов данных импортированы значения котировок акций российских компаний: Алроса, Газпром, КамАЗ, НЛМК, Киви, Роснефть, ВТБ и Яндекс за период с 02.06.2014 по 11.11.2019 г. с разбивкой по неделям. Результаты исследования подтверждают превосходство модели LSTM, при которой среднеквадратическая ошибка RMSE на 65% меньше, чем при использовании модели ARIMA. Сделан вывод, что для повышения качества прогноза временных рядов предпочтительно применять алгоритм на основе модели LSTM.

Keywords: ARIMA; LSTM; predictive models; stocks; analysis; stock quote prediction; algorithms; ARIMA; LSTM; прогнозные модели; акции; анализ; прогнозирование котировок; алгоритмы; C01; JEL C01 (search for similar items in EconPapers)
Date: 2020-03-07
References: Add references at CitEc
Citations:

Downloads: (external link)
https://financetp.fa.ru/jour/article/viewFile/950/633.pdf (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:scn:financ:y:2020:i:1:p:14-23

Access Statistics for this article

More articles in Финансы: теория и практика/Finance: Theory and Practice // Finance: Theory and Practice from ФГОБУВО Финансовый университет при Правительстве Российской Федерации // Financial University under The Government of Russian Federation
Bibliographic data for series maintained by Алексей Скалабан ().