AI methods for stock price forecasting

Celem pracy jest porównanie różnych metod sztucznej inteligencji w kontekście ich wykorzystania do prognozowania zmian notowań giełdowych. Chcemy przede wszystkim sprawdzić przydatność wybranych przez nas typów systemów, wraz z konfiguracjami, do realizacji postawionego zadania, bez ich dodatkowej optymalizacji pod kątem osiągania jak najlepszych wyników.Na wstępie prezentujemy podstawowe teorie giełdowe i ekonomiczne, które służą nam jako punkt wyjścia do dalszych analiz. Następnie opisujemy sposób w jaki przygotowujemy i gromadzimy dane. W dalszej części pracy proponujemy algorytm inwestowania na giełdzie oraz cztery różne wskaźniki jakości służące do porównania badanych modeli. Przedstawiamy również zwięźle część teoretyczną w celu wypracowania intuicji pozwalającej na lepsze zrozumienie każdego z analizowanych przez nas typów systemów.Część badawczą rozpoczynamy od krótkiego opisu wyników uzyskiwanych przez systemy losowe oraz prymitywne systemy regułowe, przechodząc następnie do analizy pięciu rodzajów modeli: systemów regułowych, systemów ekspertowych bazujących na logice rozmytej, sztucznych sieci neuronowych typu feed-forward, sieci typu NEAT oraz map samoorganizujących, zwanych sieciami Kohonena. Kolejne metody prezentujemy stopniowo eliminując z systemów wpływ człowieka i wiedzy eksperckiej na rzecz algorytmów. Modele przedstawiamy w różnych wariantach, modyfikując podejście do rozwiązania problemu, oraz wskazujemy zaobserwowane przez nas prawidłowości. W celu zweryfikowania skuteczności metod, wszystkie testy przeprowadzamy na dwóch różniących się od siebie spółkach notowanych na Giełdzie Papierów Wartościowych w Warszawie.Za najważniejszy efekt naszej pracy uznajemy przygotowanie rzetelnej analizy różnych systemów dokonanej dla tych samych spółek, w takich samych przedziałach czasowych i dla tak samo przygotowanych danych wejściowych.

The aim of the study is to compare different methods of artificial intelligence in order to forecast stock price movements. We verify the suitability of the chosen systems and their configurations for the forecasting. We start by presenting basic economic and stock theories which we use as a base for further analysis, and describe the way we prepare and collect data. Then we introduce an algorithm of investing in the stock market and four different quality indicators used for model comparisons. The reader is provided with theoretical background in order to develop intuition allowing them a better understanding of the analyzed types of systems.Research begins with a concise description of the results obtained by the random and primitive rule based systems and then proceeds to the analysis of the following models: rule based systems, expert systems based on fuzzy logic, feed-forward artificial neural networks, NEAT networks and self-organizing maps (so called Kohonen networks). We gradually reduce the human role as presented systems relay more and more on fully automated algorithms. Having designed approaches to solve the problem, we present a variety of models pointing out the strengths and weaknesses of each. In order to verify the effectiveness of the methods we conduct all the tests on two different companies listed on Warsaw Stock Exchange.We consider the thorough analysis of the various systems made for the same company, at the same time intervals and prepared from the same input data an important part of our preparations allowing for an objective and conclusive outcome.