Exploring the Efficacy of LSTM Variants Coupled with Sentiment Analysis in Predicting Stock Price Movements: A Comparative Analysis

Abstract

Přesné krátkodobé finanční predikce jsou klíčové pro efektivní investiční\\ rozhodování a řízení rizik v dynamických trzích. Tato bakalářská práce zkoumá hybridní architektury rekurentních neuronových sítí (RNN), konkrétně Long Short-Term Memory (LSTM) a Gated Recurrent Units (GRU), v kombinaci se sentimentální analýzou založenou na modelu FinBERT pro predikci ceny akcií společnosti Alibaba Group (BABA). Sloučením denních cenových údajů se skóre sentimentu odvozeným z finančních zpráv vzniká vícerozměrná časová řada zachycující technické signály i tržní psychologii. K systematické optimalizaci klíčových hyperparametrů je následně použit genetický algoritmus (GA), který vyvažuje průzkum nových řešení a využití osvědčených konfigurací. Experimentální výsledky ukazují, že optimalizovaný hybridní model dosahuje střední kvadratické chyby (MSE) na testovací sadě přibližně 0,00125. Tato zjištění zdůrazňují přínos integrace sentimentální analýzy s evoluční optimalizací hyperparametrů pro vytváření přesných predikcí užitečných pro finanční rozhodování.