Stock market prediction with Recurrent Neural Networks

Rekursywne sieci neuronowe (RNN) oraz sieci Long Short-Term Memory (LSTM) są wykorzystywane do przewidywania danych sekwencyjnych. W tej pracy, implementuję oba modele w różnych wariantach oraz porównuję proces ich nauki w zależności od dobranych meta-parametrów. Ponadto wizualizuję predykcje modelu tworzone na notowaniach giełdowych spółek z NYSE (Nowojorska Giełda Papierów Wartościowych).The Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) models are commonly used to predict sequential data. In this paper, I implement both of those models, choose the best hyperparameters, compare their learning process and visualize predictions made on stock market data from the NYSE (New York Stock Exchange)