Using the LSTM network for stock prediction in several economic sectors of the Stock Exchange
DOI:
https://doi.org/10.51359/1679-1827.2023.257384Keywords:
artificial intelligence, recurrent neural network, LSTM, stock marketAbstract
Purpose: Uses the recurrent neural network to predict the closing prices of stocks of 4 economic sectors classified on B3 and two stocks negotiated on NASDAQ and to analyze whether the proposed model can identify distinct patterns of behaviour among the selected sectors and even in another market.
Design/methodology/approach: It is a research based on the collection of real closing prices of stocks, model training and prediction of future closing prices using the LSTM network.
Research, Practical & Social implications: It adds more studies using the LSTM network with the objective of obtaining price predictions for the shares evaluated, as well as the forecast of closing prices for future days. An app prototype that displays information about monitored actions is also presented.
Originality/value: The results presented in this article are the result of research carried out in the prediction of future prices of shares traded on B3 and NASDAQ. This will provide support for works that intend to carry out analyzes of these values in order to identify the behavior of predicted prices for an asset and thus be able to apply indicators to assist in decision making.
References
B3. (2022, Agosto). Uma das principais empresas de infraestrutura de mercado financeiro do mundo. https://www.b3.com.br/pt_br/b3/institucional/quem-somos
Badri, A. K., Heikal, J., Terah, Y. A., & Nurjaman, D. R. (2022). Decision-making techniques using lstm on antam mining shares before and during the covid-19 pandemic in indonesia. APTISI Transactions on Management (ATM), 6(2), 167-180.
Banik, S., Sharma, N., Mangla, M., Mohanty, S. N., & Shitharth, S. (2022). LSTM based decision support system for swing trading in stock market. Knowledge-Based Systems, 239, 107994.
Bathla, G. (2020, November). Stock Price prediction using LSTM and SVR. In 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC) (pp. 211-214). IEEE.
Deep learning (2021). Capítulo 48 – Redes Neurais Recorrentes. Deep learning. Disponível em: https://www.deeplearningbook.com.br/redes-neurais-recorrentes/
Caixa de TextoCoqueret, G. (2021). Machine Learning in Finance: From Theory to Practice: by Matthew F. Dixon, Igor Halperin, and Paul Bilokon, Springer (2020). ISBN 978-3-030-41067-4. Paperback.
Dalla Corte, V., Dos Santos, V. K., & Casanova, D. (2019). Chatbot baseado em rede neural Long Short-Term Memory (LSTM): um estudo de caso baseado no livro William Shakespeare. Anais do Computer on the Beach, 484-492.
Dametto, R. C. (2018). Estudo da aplicação de redes neurais artificiais para predição de séries temporais financeiras.
Data Science Academy (2021). Capítulo 51 - Arquitetura de Redes Neurais Long Short Term Memory (LSTM). Data Science Academy. Recuperado de https://www.deeplearningbook.com.br/arquitetura-de-redes-neurais-long-short-term-memory.
de Carvalho, H. V., Carvalho, E. C., Arruda, H., Imperatriz-Fonseca, V., de Souza, P., & Pessin, G. (2018, June). Detecção de anomalias em comportamento de abelhas utilizando redes neurais recorrentes. In Anais do IX Workshop de Computação Aplicada a Gestão do Meio Ambiente e Recursos Naturais. SBC.
do Nascimento, K. K. F., da Silva Jale, J., & Ferreira, T. A. E. (2021). Simulação de mercado financeiro com compra e venda otimizadas por Enxame de Partículas. Ciência e Natura, 43, e21-e21.
Eugene, F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of finance, 25, 383-417.
Jiang, W. (2021). Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184, 115537.
Karasu, S., & Altan, A. (2022). Crude oil time series prediction model based on LSTM network with chaotic Henry gas solubility optimization. Energy, 242, 122964.
Kaufman, D. (2019). A inteligência artificial mediando a comunicação: impactos da automação. Pós-verdade e Fake news. Reflexões sobre a guerra de narrativas. São Paulo: Cobogó.
Leandro, J. C. (2021). Aplicação de redes neurais LSTM para previsão de séries temporais financeiras.
Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of economic perspectives, 17(1), 59-82.
Nascimento, O. D. S., Santos, Felipe G., & Ferreira, Karl Hansimuller A. (2022). Previsão de preços de ações utilizando inteligência artificial.
Neves, J. L. (1996). Pesquisa qualitativa: características, usos e possibilidades. Caderno de pesquisas em administração, São Paulo, 1(3), 1-5.
Pacce, T. A. (2017). Estratégia de negociação baseada em Inteligência Artificial para atuação em mercados de capitais.
Raupp, F. M., & Beuren, I. M. (2006). Metodologia da pesquisa aplicável às ciências. Como elaborar trabalhos monográficos em contabilidade: teoria e prática. São Paulo: Atlas, 76-97.
Caixa de TextoRoondiwala, M., Patel, H., & Varma, S. (2017). Predicting stock prices using LSTM. International Journal of Science and Research (IJSR), 6(4), 1754-1756.
StandardScaler. (2022, Julho). Scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Gestão.org
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Os trabalhos assinados são de responsabilidade exclusiva do(s) autor(es).
Os direitos, inclusive os de tradução, são reservados.
É permitido citar os trabalhos publicados sem autorização prévia desde que seja identificada a fonte.
