Прогнозування та пояснення iнфляцiї України методами часових рядiв та ансамблевого машинного навчання

Скорочена інформація про документ
dc.contributor.advisorШелестов, Андрій Юрійович
dc.contributor.authorЖуковiн, Олександр Вiталiйович
dc.date.accessioned2026-06-08T13:09:32Z
dc.date.available2026-06-08T13:09:32Z
dc.date.issued2026
dc.description.abstractКвалiфiкацiйна робота мiстить: 94 стор., 8 рисункiв, 8 таблиць, 35 джерел. У роботi дослiджено проблему iнфляцiї та методи її прогнозування на основi класичних математичних моделей i сучасних пiдходiв з використанням машинного навчання. Обґрунтовано необхiднiсть використання нетривiальних пiдходiв та аналiзу широкого спектра показникiв через багатофакторну природу iнфляцiї та її зв’язок iз внутрiшньою економiкою країни та зовнiшньою свiтовою економiкою. Для покращення iснуючих моделей та отримання якiснiшого й точнiшого прогнозу побудовано модель на основi ARIMA та XGBoost. Для вирiшення проблеми низької iнтерпретованостi результатiв моделей машинного навчання застосовано алгоритм SHAP для аналiзу впливу чинникiв на прогноз. Було зiбрано набiр даних для тренування та тестування, який включає внутрiшнi й зовнiшнi економiчнi показники. Отриманi результати гiбридної моделi порiвняно з набором бенчмаркiв, що включає окремi моделi ARIMA та XGBoost, а також тривiальнi моделi випадкового блукання та сезонного прогнозування.
dc.description.abstractotherThe qualification work contains: 94 pages, 8 figures, 8 tables, 35 references. This work investigates inflation and methods for its forecasting, drawing on classical mathematical models and modern machine learning approaches. The necessity of applying non-trivial approaches and analyzing a broad range of indicators is substantiated, motivated by the multifactorial nature of inflation and its connections to both domestic and global economic conditions. To improve upon existing models and obtain higher-quality, more accurate forecasts, a hybrid model combining ARIMA and XGBoost is constructed. To address the issue of low interpretability inherent to machine learning models, the SHAP algorithm is applied to analyze the contribution of individual factors to the forecast. A dataset for training and testing was compiled, including both domestic and external economic indicators. The results of the hybrid model are compared against a set of benchmarks comprising standalone ARIMA and XGBoost models, as well as trivial baseline models – random walk and seasonal naive forecast.
dc.format.extent94 с.
dc.identifier.citationЖуковін, О. В. Прогнозування та пояснення iнфляцiї України методами часових рядiв та ансамблевого машинного навчання : дипломна робота ... бакалавра : 113 Прикладна математика / Жуковiн Олександр Вiталiйович. – Київ, 2026. – 94 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/81541
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування iнфляцiї
dc.subjectмашинне навчання
dc.subjectчасовi ряди
dc.subjectансамблеве навчання
dc.subjectпояснювальний штучний iнтелект
dc.titleПрогнозування та пояснення iнфляцiї України методами часових рядiв та ансамблевого машинного навчання
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Zhukovin_bakalavr.pdf
Розмір:
1.76 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 (ММАД)
Бакалаврські роботи