Порівняльний аналіз моделей рекурентних нейронних мереж глибокого навчання для прогнозування фінансових часових рядів

Abstract

Дана робота присвячена аналізу та порівнянню ефективності трьох провідних архітектур рекурентних нейронних мереж (RNN) глибокого навчання — LSTM, GRU та Bi-LSTM. Розглянуто застосування цих моделей для вирішення задачі прогнозування фінансових часових рядів, зокрема цін на акції. Проведено огляд архітектурних особливостей, що дозволяють цим моделям долати обмеження класичних RNN. Виконано порівняльний аналіз переваг та недоліків кожної архітектури з огляду на обчислювальну складність, швидкість навчання та точність прогнозування довгострокових залежностей.

This work focuses on the analysis and performance comparison of three leading deep learning recurrent neural network (RNN) architectures: LSTM, GRU, and Bi-LSTM. The application of these models to the task of forecasting financial time series, specifically stock prices, is examined. A review of the architectural features that enable these models to overcome the limitations of classical RNNs is provided. A comparative analysis of the advantages and disadvantages of each architecture is conducted, considering computational complexity, training speed, and the accuracy of long-term dependency forecasting.