Бакалаврські роботи (ММАД)

Постійне посилання зібрання

https://ela.kpi.ua/handle/123456789/43449
У зібранні розміщено бакалаврські проекти (роботи) на здобуття ступеня бакалавра.

Переглянути

Перегляд Бакалаврські роботи (ММАД) за Автор "Вітенко, Ігор Олегович"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Нейронні диференціальні рівняння для прогнозування цін фінансових інструментів на прикладі американських опціонів
    (КПІ ім. Ігоря Сікорського, 2024) Вітенко, Ігор Олегович; Яворський, Олександр Андрійович
    У даній роботі розглядається метод прогнозування цін на американські опціони типу put та call за допомогою нейронних диференціальних рівнянь на основі данних з фондового ринку та синтетичних. Було розглянуто дві архітектури нейронної мережі, запропоновано підхід до генерації синтетичних данних, порівняння методів попередньої обробки та оптимізації для нашої задачі. В ході дослідження, було показано що метод нейронних диференціальних рівнянь є гарним доповненням до класичних чисельних методів розв’язання диференціальних рівнянь в частинних похідних, зберігаючи за собою їх сильні сторони, та адекватним аналогом до методів, які використовують лише машинне навчання.
  • Ескіз
    ДокументВідкритий доступ
    Нейронні диференціальні рівняння для прогнозування цін фінансових інструментів на прикладі американських опціонів
    (КПІ ім. Ігоря Сікорського, 2024) Вітенко, Ігор Олегович; Яворський, Олександр Андрійович
    Кваліфікаційна робота містить: 56 сторінок, 23 рисунки, 11 таблиць, 54 джерела. У даній роботі розглядається метод прогнозування цін на американські опціони типу put та call за допомогою нейронних диференціальних рівнянь на основі данних з фондового ринку та синтетичних. Було розглянуто дві архітектури нейронної мережі, запропоновано підхід до генерації синтетичних данних, порівняння методів попередньої обробки та оптимізації для нашої задачі. В ході дослідження, було показано що метод нейронних диференціальних рівнянь є гарним доповненням до класичних чисельних методів розв’язання диференціальних рівнянь в частинних похідних, зберігаючи за собою їх сильні сторони, та адекватним аналогом до методів, які використовують лише машинне навчання.