Прогнозування фінансових часових рядів. Порівняльний аналіз методів прогнозування

Скорочена інформація про документ
dc.contributor.advisorСелін, Юрій Миколайович
dc.contributor.authorМакітрук, Максим Тарасович
dc.date.accessioned2024-11-13T13:11:22Z
dc.date.available2024-11-13T13:11:22Z
dc.date.issued2024
dc.description.abstractДипломна робота: 60 с.,27 рис.,8 табл., 3дод., 15 джерел. Об’єкт дослідження – Фінансові часові ряди, методи прогнозування фінансових часових рядів. Предмет дослідження – Методи прогнозування, що базуються на ARIMA та LSTM моделях. Мета роботи – Провести аналіз методів прогнозування фінансових часових рядів, реалізувати моделі ARIMA та LSTM для прогнозування індексу S&P 500 та курсу золота, а також провести тестування побудованих моделей на історичних даних. Методи дослідження – методи машинного навчання та статистичного аналізу, авторегресійно-інтегрована модель ковзного середнього (ARIMA) та рекурентні нейронні мережі довгострокової пам'яті (LSTM). Актуальність – у сучасному світі економічних нестабільностей та фінансових криз, прогнозування фінансових часових рядів є важливою задачею для інвесторів та аналітиків. Використання сучасних методів машинного навчання дозволяє отримувати більш точні прогнози, що сприяє прийняттю обґрунтованих рішень та зменшенню ризиків. Результати роботи – результати показують, що модель LSTM забезпечує високу точність прогнозування фінансових часових рядів з низькими показниками похибок. Модель ARIMA також демонструє хорошу ефективність, але поступається LSTM за точністю прогнозів. Використання цих моделей дозволяє підвищити рентабельність інвестицій та приймати більш обґрунтовані рішення на фінансових ринках. Шляхи подальшого розвитку предмету дослідження – збільшити кількість параметрів, що враховуються в моделях, дослідити можливості застосування методів прогнозування для інших фінансових інструментів, а також адаптувати моделі для прогнозування в умовах високої волатильності ринків.
dc.description.abstractotherDiploma work: 60 p., 27 fig., 8 tabl., 3 appendixes, 15 references. Object of research – Financial time series forecasting. Subject of study – Forecasting methods based on ARIMA and LSTM models. The purpose of the work – To analyze the subject of research, implement ARIMA and LSTM models for forecasting the S&P 500 index and gold prices, and test the built models on historical data. Methods of research – Machine learning and statistical analysis methods: AutoRegressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM) neural networks. Actuality – In the modern world of economic instability and financial crises, forecasting financial time series is a crucial task for investors and analysts. Using modern machine learning methods allows for more accurate forecasts, facilitating well-informed decisions and risk reduction. The results of the work – The results show that the LSTM model provides high accuracy in forecasting financial time series with low error rates. The ARIMA model also demonstrates good efficiency but is less accurate than LSTM. Using these models enhances investment profitability and supports more informed decision-making in financial markets. Ways of further development of the subject of research – To increase the number of parameters considered in the models, explore the applicability of forecasting methods for other financial instruments, and adapt the models for forecasting under high market volatility conditions.
dc.format.extent89 с.
dc.identifier.citationМакітрук, М. Т. Прогнозування фінансових часових рядів. Порівняльний аналіз методів прогнозування : дипломна робота ... бакалавра : 124 Системний аналіз / Макітрук Максим Тарасович. - Київ, 2024. - 89 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70571
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування
dc.subjectфінансові часові ряди
dc.subjectarima
dc.subjectlstm
dc.subjectіндекс s&p 500
dc.subjectкурс золота
dc.subjectмашинне навчання
dc.subjectстатистичний аналіз
dc.subjectfinancial time series forecasting
dc.subjectmachine learning
dc.subjectstock market analysis
dc.subjectgold prices
dc.subjectinvestment strategies
dc.titleПрогнозування фінансових часових рядів. Порівняльний аналіз методів прогнозування
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Makitruk_bakalavr.pdf
Розмір:
3 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи