Analisis Nilai Saham Menggunakan Model Hybrid Berbasis Deep Learning

FBProphet: adalah model peramalan deret waktu lain yang diperkenalkan oleh Facebook Inc. Model ini membutuhkan waktu komputasi yang sangat sedikit dibandingkan dengan model lainnya

Model hybrid CNN dan LSTM: Ini adalah model hybrid yang dirancang baru-baru ini dan banyak digunakan dalam prediksi harga saham. Model terdiri dari lapisan LSTM dan CNN.

Model hybrid berbasis FastRNN

FastRNN diusulkan oleh Microsoft pada tahun 2018 [33]. Model ini didasarkan pada sisa jaringan (ResNet) [34]. Jika Anda melihat struktur ResNet,  dalam model ini setiap lapisan jaringan tidak ditumpuk satu sama lain, tetapi membentuk pemetaan residual. Dapat dilihat bahwa  dibandingkan dengan pemetaan tanpa referensi, pemetaan residual lebih mudah untuk dioptimalkan. Model ini didasarkan pada model grup geometri visual dan dimodifikasi dengan menambahkan sisa lapisan. ResNet dilatih dengan 25,5 juta parameter. Ini juga membuat ResNet menjadi jaringan yang sangat berat. FastRNN menggunakan sisa koneksi yang dipelajari dari ResNet dan memberikan pelatihan yang stabil dan akurasi pelatihan yang sebanding dengan biaya komputasi yang jauh lebih rendah. Akurasi prediksi FastRNN adalah 19% lebih tinggi daripada struktur RNN standar dan sedikit lebih rendah daripada RNN berpagar.

Model hybrid berbasis FastRNN + CNN + Bi-LSTM

Model pertama yang diusulkan dalam pekerjaan ini dirancang untuk memberikan waktu komputasi yang lebih cepat dengan akurasi yang cukup baik. Tujuan lain dari pekerjaan ini adalah untuk mempertahankan perhitungan kecepatan tinggi dengan akurasi yang lebih tinggi. Dalam arah ini, kami mengusulkan model hybrid yang memanfaatkan fitur-fitur bagus dari banyak jaringan. Kami menggunakan FastRNN sebagai jaringan pertama untuk mendapatkan hasil yang  lebih cepat dan digabungkan dengan jaringan CNN dan Bi-LSTM untuk meningkatkan akurasi prediksi. Bi-LSTM diusulkan pada tahun 1997. Model ini dirancang untuk pembelajaran dua arah dan merupakan salah satu model yang paling cocok untuk pembelajaran sekuensial dan sekuensial. Model tersebut juga terbukti cocok untuk memprediksi deret waktu. Hasil menggembirakan dari karya-karya terbaru ini mengilhami kami untuk mempertimbangkan Bi-LSTM sebagai jaringan definitif kami. Kami menggunakan CNN tradisional antara FastRNN dan Bi-LSTM untuk menstabilkan jaringan.  CNN mirip dengan JST, tetapi memerlukan asumsi tentang data input, yang memungkinkan invarian yang lebih besar dalam cara fitur data input dikodekan ke dalam jaringan. CNN harus dilatih dengan sejumlah besar data pelatihan  untuk menghasilkan model pembelajaran mendalam yang mencapai akurasi generalisasi yang lebih tinggi.

Informasi keuangan prediktif bisa sangat berguna bagi perusahaan dan investor. Model berdasarkan pembelajaran mendalam telah cukup efektif untuk membuat prediksi seperti itu dalam beberapa tahun terakhir. Dalam karya ini, kami  mengusulkan dua model untuk tujuan ini. Model berbasis FastRNN pertama  dapat memberikan prediksi yang lebih cepat  dibandingkan dengan model lanjutan lainnya (kecuali ARIMA dan FBProphet). Dengan meningkatkan kecepatan prediksi juga memberikan nilai RMSE yang lebih baik atau setara. Dibandingkan dengan FBProphet dan ARIMA, ini adalah pilihan yang lebih baik untuk model yang andal. Model kedua meningkatkan model yang diusulkan pertama dengan tetap mempertahankan kecepatan yang hampir sama. Ini sedikit mengurangi kecepatan prediksi tetapi meningkatkan nilai RMSE. Model ini dapat membantu orang yang  berinvestasi di saham. Dengan menggunakan model tersebut, misalnya investor mengetahui bahwa harga saham akan turun dalam beberapa menit ke depan, maka investor dapat menjual saham tersebut pada waktu yang tepat, yang dapat menghindarkan investor dari kerugian yang besar. Demikian pula, jika seorang investor mengetahui bahwa harga suatu saham akan naik dalam beberapa menit ke depan, dia dapat bertindak. Satu-satunya batasan dari model yang diusulkan adalah  kami tidak memperhitungkan faktor eksternal lain yang dapat mempengaruhi harga saham, seperti penawaran dan permintaan, perubahan geografis, keuntungan/kerugian perusahaan, dll. Seperti yang kita ketahui bersama bahwa harga saham sangat berfluktuasi, ada baiknya mempertimbangkan faktor lain  seperti wilayah, musim geografis, inflasi, harga bahan baku, persaingan pasar, permintaan dan penawaran, dll, yang bergantung pada harga saham di masa depan.