Інформаційна технологія прогнозування нестаціонарних фінансових процесів на основі машинного навчання

Скорочена інформація про документ
dc.contributor.advisorКоновалюк, Максим Михайлович
dc.contributor.authorКлименко, Ірина Олександрівна
dc.date.accessioned2021-09-16T08:45:30Z
dc.date.available2021-09-16T08:45:30Z
dc.date.issued2021
dc.description.abstractenThesis: 87 p., 10 tabl., 24 fig., 2 appendices, 34 sources. This work is devoted to the study of methods and models for forecasting non-stationary financial processes. Also, to conduct a comparative analysis of the considered forecasting methods. A software product has been created to achieve the set goals. The object of the research is data on quotations of S&P 500 index prices. The subject of research - methods of forecasting non-stationary financial processes based on machine learning – ARIMA model and recurrent neural networks – LSTM. The purpose of the work is to identify the effectiveness and accuracy of some models used to analyze and predict the quotations of stock indices. Relevance – the ability to reliably predict the value of stock indices is a powerful tool in trading in the financial market, which increases the possibility of making a profit by making the right decisions based on forecast data. Further development of the subject of research – consideration and implementation of other machine learning methods to determine the most accurate method of forecasting. Conducting research on methods for building trading strategies in the financial market. Development of a mobile application with the functionality of price forecasting in the global financial market and a set of automatic trading strategies.uk
dc.description.abstractukДипломна робота: 87 с., 10 табл., 24 рис., 2 додатків, 34 джерел. Дана робота присвячена вивченню методів та моделей прогнозування нестаціонарних фінансових процесів. Також проведенню порівняльного аналізу методів прогнозування, а саме ARIMA та LSTM. Створено програмний продукт для досягнення поставлених цілей. Об’єкт дослідження – дані котирування цін індексу S&P 500. Предмет дослідження – методи прогнозування нестаціонарних фінансових процесів на основі машинного навчання – модель ARIMA та рекуретні нейронні мережі, а саме мережа LSTM. Мета роботи – виявлення ефективності та точності моделей ARIMA та LSTM, що використовуються для аналізу та прогнозування котирування біржових індексів. Актуальність – можливість достовірного передбачення вартості біржових індексів – це потужний інстумет в трейдингу на фінансовому ринку, котрий підвищує можливість отримання прибутку шляхом прийняття правильних рішень основаних на спрогнозованних данних. Шляхи подальшого розвитку предмету дослідження – розгляд та реалізація інших методів машинного навчання для визначення найточнішого методу прогнозування. Проведення досліджень методів для побудови торгових стратегій на фінансовому ринку. Розробка мобільного додатку з функціоналом прогнозування цін на світовому фінансовому ринку та побудовою автоматичних торгових стратегій.uk
dc.format.page87 с.uk
dc.identifier.citationКлименко, І. О. Інформаційна технологія прогнозування нестаціонарних фінансових процесів на основі машинного навчання : дипломна робота ... бакалавра : 124 Системний аналіз / Клименко Ірина Олександрівна. – Київ, 2021. – 87 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/43781
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectпрогнозуванняuk
dc.subjectаналіз нестаціонарних фінансових процесівuk
dc.subjectнейронні мережіuk
dc.subjectрекурентні нейронні мережіuk
dc.subjectфінансовий ринокuk
dc.subjectбіржові індексиuk
dc.subjectforecastinguk
dc.subjectanalysis of non-stationary financial processesuk
dc.subjectneural networksuk
dc.subjectrecurrent neural networksuk
dc.subjectfinancial marketuk
dc.subjectstock exchangesuk
dc.titleІнформаційна технологія прогнозування нестаціонарних фінансових процесів на основі машинного навчанняuk
dc.typeBachelor Thesisuk

Файли

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

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи