(КПІ ім. Ігоря Сікорського, 2025) Харитонова, С. В.; Гуськова, В. Г.
Робота присвячена розробці та дослідженню гібридних моделей машинного навчання для прогнозування напрямку руху цін акцій. Запропоновано комбінацію статистичних методів фільтрації часових рядів (ARIMA, вейвлет-декомпозиція) із сучасними архітектурами глибокого навчання (LSTM, CNN, Transformer). Експериментально досліджено ефективність декількох гібридних архітектур на даних 100 компаній індексу S&P 500. Найкращий результат досягнуто завдяки застосуванню стратегії селективного входу на основі оцінки впевненості гібриду моделі PatchTST (з незалежною обробкою каналів) та CNN. Мета роботи – розробка та порівняльний аналіз гібридних архітектур для прогнозування напрямку руху цін акцій із застосуванням методів штучного інтелекту.