Using deep learning in stock price forecasting

Abstract

The following paper investigates the possibility of using artificial intelligence, in particular a long short-term memory Network (LSTM), to forecast stock prices. As input data 59 different variables are chosen based on desk research and include: fundamental, technical, and macroeconomic data. The objective of the study is to use the selected independent variables to predict the stock return of the subsequent quarter of five retail companies listed on the Brazilian stock exchange (IBVOESPA). The research showed, that LSTM can be used to forecast stock price changes and an investment strategy based on the forecasts outperforms a buy and hold strategy of the same stock. Nevertheless, it should be said, that such an investment strategy is unlikely to have the same return in a real environment like it had in the backtesting. The reason for that is, that the number of data entries for each individual variable was not sufficiently large and the LSTM was not able to generalize the relationships. In other words, the superior performance of the algorithm may be due to overfitting of the model.

O artigo a seguir investiga a possibilidade de usar inteligência artificial, em particular um long-term memory network (LSTM), para prever os preços das ações. Dados considerados são 59 variáveis diferentes escolhidas com base em pesquisas e incluem: dados fundamentais, técnicos e macroeconômicos. O objetivo do estudo é usar as variáveis selecionadas para prever o retorno das ações do trimestre subsequente de cinco empresas de varejo listadas na bolsa de valores brasileira (IBVOESPA). A pesquisa mostrou que o LSTM pode ser usado para prever mudanças nos preços das ações e uma estratégia de investimento baseada em previsões supera a estratégia de investimento “buy and hold” da mesma ação. No entanto, deve-se dizer que é improvável que essa estratégia de investimento tenha o mesmo retorno em um ambiente real do que no backtesting. O motivo disso é que o número de entradas de dados para cada variável individual não era grande suficientemente e o LSTM não foi capaz de generalizar os relacionamentos. Em outras palavras, o desempenho superior do algoritmo pode ser devido ao ajuste excessivo do modelo.