Pörssin ennustaminen takaisinkytketyillä neuroverkoilla
22.10.2026
Oletko pohtinut, miten voisit saada säästösi kasvamaan? Monilla meistä on jonkin verran ylimääräistä rahaa pankkitilillä. Vaikka taloudellisen puskurin ylläpitäminen on tärkeää, kaikkien säästöjen pitäminen pankkitilillä ei välttämättä ole paras tapa kasvattaa varallisuutta pitkällä aikavälillä. Inflaatio heikentää vähitellen rahan ostovoimaa, kun taas sijoittaminen tarjoaa mahdollisuuden kasvattaa varallisuutta ajan myötä.
Osakemarkkinat ovat yksi mahdollinen vaihtoehto niille, jotka haluavat sijoittaa. Sijoittamisen aloittaminen voi kuitenkin tuntua haastavalta. Mitä osakkeita kannattaisi ostaa? Mitä osakkeita tulisi välttää? Milloin on oikea aika sijoittaa? Osakemarkkinoiden ymmärtäminen vaatii aikaa, tutkimustyötä sekä ainakin jonkin verran taloustieteen ja sijoittamisen tuntemusta. Jopa kokeneiden sijoittajien on vaikea ennustaa osakekurssien kehitystä.
Voisiko koneoppiminen helpottaa näiden päätösten tekemistä?
Tämä oli lähtökohtana Stock Market Predictor -ohjelmallemme, joka on suunniteltu tunnistamaan mahdollisesti lupaavia osakkeita hyödyntämällä historiallista markkinadataa ja takaisinkytkettyjä neuroverkkoja (RNN). Sen sijaan, että käyttäjien pitäisi itse analysoida yksittäisiä yrityksiä ja markkinatrendejä, ohjelman tavoitteena on tarjota dataan perustuva lähtökohta sijoituskohteiden tutkimiseen.
Miten Stock Market Predictor toimii?
Ohjelmamme perusajatus on yksinkertainen: ennustetaan, kuinka paljon osakkeen hinta saattaa muuttua tietyn ajanjakson aikana, ja hyödynnetään ennustetta sellaisten osakkeiden tunnistamiseen, joita voisi olla syytä tutkia tarkemmin.
Tämän toteuttamiseksi käytimme takaisinkytkettyä neuroverkkoa, jonka koulutimme Yahoo Financesta saadulla historiallisella osakemarkkinadatalla. Malli oppii aiempien kurssimuutosten perusteella tunnistamaan erilaisia kuvioita ja hyödyntää ajantasaista markkinadataa ennustaakseen hinnanmuutoksia.
Sovelsimme tätä menetelmää kaikkiin Helsingin pörssissä listattuihin yrityksiin. Tuloksena saamme luettelon osakkeista, joiden arvon malli ennustaa joko nousevan tai laskevan. Näin yrityksiä voidaan vertailla ennusteiden perusteella ja selvittää, mitkä niistä vaikuttavat mallin mukaan lupaavimmilta sijoituskohteilta.
Mallin testaaminen käytännössä
Osakemarkkinoiden ennustemallin rakentaminen on vasta ensimmäinen askel. Mielenkiintoisempi kysymys on, toimiiko malli todella.
Kuinka tarkasti mallimme pystyy ennustamaan tulevia osakekurssien muutoksia? Tunnistaako se osakkeita, joiden arvo myöhemmin nousee, vai onko sen vaikea erottaa lupaavia sijoituskohteita heikoista? Ja kuinka hyvin mallin suorituskyky säilyy, kun sitä sovelletaan eri yrityksiin?
Näihin kysymyksiin vastaamiseksi arvioimme Stock Market Predictor -ohjelmaamme ja tarkastelimme sen tuottamia tuloksia. Seuraavissa osioissa perehdymme tarkemmin käyttämäämme menetelmään, Helsingin pörssin osakkeille tuotettuihin ennusteisiin sekä siihen, mitä tulokset kertovat koneoppimisen mahdollisuuksista osakemarkkinoiden ennustamisessa.
Koulutusprosessi
Kokeilimme erilaisia mallin koulutusparametreja löytääksemme parhaiten toimivan yhdistelmän. Tulosten perusteella yksinkertaisemmat parametrit tuottivat keskimäärin parhaat tulokset. Lisäksi vertailimme mallin toimintaa harjoittelun aikana ja sen jälkeen varmistaaksemme, että se oppii toimimaan hyvin myös uusien, aiemmin näkemättömien tietojen kanssa eikä vain opi ulkoa harjoitusaineistoa.
Simulointi
Sovelluksen arvioimiseksi simuloimme sen käyttöä hyödyntämällä historiallisesta aineistosta muodostettuja lyhennettyjä versioita. Kussakin simulaatiossa käytettiin ainoastaan kyseisen ajankohdan perusteella saatavilla ollutta dataa, ja normalisointi tehtiin erikseen jokaiselle aineistolle. Näin pystyimme tutkimaan, miten malli olisi voinut suoriutua realistisessa tilanteessa ilman, että koulutuksessa hyödynnettiin tulevaisuutta koskevaa tietoa.
Simulaatio kattoi 30 ajanjaksoa, jotka vastasivat noin 900:aa pörssipäivää. Kullakin ajanjaksolla sovellus valitsi osakkeet, joiden arvon ennustettiin nousevan eniten, sekä osakkeet, joiden arvon ennustettiin laskevan eniten. Tämän jälkeen laskimme toteutuneet voitot ja tappiot käyttämällä osakkeiden todellisia hintoja ennustejakson aikana.
Yksinkertaisuuden vuoksi simulaatiossa oletettiin, että ostoihin ja myynteihin käytettiin yhtä suuria rahasummia. Lisäksi osakkeita sai myydä ilman, että niitä oli omistettu etukäteen, eikä laskelmissa huomioitu veroja, kaupankäyntikuluja tai osinkoja.
Tulokset
Tulokset viittaavat siihen, että malli suoriutui parhaiten silloin, kun kullakin ajanjaksolla valittiin vain yksi osake, jonka arvon ennustettiin nousevan eniten, ja yksi osake, jonka arvon ennustettiin laskevan eniten. Useampien osakkeiden sisällyttäminen tarkasteluun toi keskimääräisen tuoton yleensä lähemmäs nollaa.
Myös koulutuksessa käytetyn historiallisen datan pituus vaikutti suorituskykyyn. Kun ennusteiden tavoitteena oli arvioida osakekurssien kehitystä 30 pörssipäivän päähän, 150 päivän mittainen aikasarja suoriutui testatuista vaihtoehdoista parhaiten. Vaikka mallin varsinaiset hintaennusteet olivat usein epätarkkoja, se vaikutti pystyvän tunnistamaan kurssimuutosten yleisen suunnan. Lupaavimmat mallit tuottivat yleensä positiivista voittoa pidempien simulaatiojaksojen aikana, vaikka tulokset vaihtelivat huomattavasti eri ajanjaksojen välillä.
Testasimme myös pidempiä, 60 ja 90 pörssipäivän ennustejaksoja. Näiden mallien keskimääräinen suorituskyky oli samankaltainen, mutta tulosten vaihtelu oli suurempaa. Kokonaisuutena 30 päivän ennustejakso yhdistettynä 150 päivän aikasarjaan vaikutti tarjoavan parhaan tasapainon suorituskyvyn ja tulosten johdonmukaisuuden välillä.
Lopuksi tutkimme yksittäisten yritysten vaikutusta tuloksiin. Kahden suhteellisen voimakkaasti kurssivaihteluiltaan vaihtelevan yrityksen havaittiin vaikuttavan myönteisesti mallin suorituskykyyn. Näiden yritysten poistaminen ennustetuloksista pienensi keskimääräisiä voittomarginaaleja, vaikka yritykset olivat edelleen mukana koulutusaineistossa.
Mitä tulokset kertovat meille?
Simulaatiomme viittaavat siihen, että takaisinkytketyt neuroverkot voivat tunnistaa historiallisista osakekursseista mahdollisesti hyödyllisiä kuvioita. Ennusteisiin liittyy kuitenkin edelleen epävarmuutta, ja tuotot voivat vaihdella huomattavasti ajan kuluessa. Näin ollen tulokset tarjoavat lupaavan lähtökohdan jatkokokeiluille.