Прогнозування часових рядів економічної природи. Порівняльний аналіз методів прогнозування

Скорочена інформація про документ
dc.contributor.advisorСелін, Юрій Миколайович
dc.contributor.authorЯрко, Андрій Юрійович
dc.date.accessioned2024-11-13T12:09:53Z
dc.date.available2024-11-13T12:09:53Z
dc.date.issued2024
dc.description.abstractДипломна робота: 119 с., 36 рис., 11 табл., 2 дод. та 15 джерел. Об’єкт дослідження – методи прогнозування цін фінансових інструментів з використанням сучасних алгоритмів машинного навчання. Мета роботи – дослідження та застосування сучасних методів машинного навчання для прогнозування фінансових ринків, з метою підвищення точності прогнозів та ефективності прийняття економічних рішень. Методи дослідження – аналіз та порівняння різних моделей прогнозування часових рядів (ARIMA, RNN, LSTM, GRU, WaveNet), попередня обробка даних (заповнення пропусків, масштабування), статистичний аналіз результатів. Програмний продукт розроблено у середовищі Google Colaboratory мовою програмування Python. Проведено порівняльний аналіз моделей, виявлено їх переваги та недоліки. Визначено кращу модель для нашої задачі. В роботі використовувалися дійсні дані часових рядів з сайту yahoo.finance.
dc.description.abstractotherMaster's thesis: 119 p., 36 fig., 11 tables, 2 appendices,15 references. Object of the research – methods of forecasting the prices of financial instruments using modern machine learning algorithms. The purpose of research is to investigate and apply modern machine learning methods for financial market forecasting to improve the accuracy of forecasts and the efficiency of economic decision-making. Methods of research – analysis and comparison of various time series forecasting models (ARIMA, RNN, LSTM, GRU, WaveNet), data preprocessing (missing value imputation, scaling), and statistical analysis of results. The software product was developed in Google Colaboratory using the Python programming language. A comparative analysis of the models was conducted, identifying their advantages and disadvantages. The best model for our task was determined. Real time series data from the yahoo.finance website were used in the study.
dc.format.extent125 с.
dc.identifier.citationЯрко, А. Ю. Прогнозування часових рядів економічної природи. Порівняльний аналіз методів прогнозування : дипломна робота ... бакалавра : 124 Системний аналіз / Ярко Андрій Юрійович. - Київ, 2024. - 125 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70551
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування фінансових ринків
dc.subjectчасові ряди
dc.subjectмашинне навчання
dc.subjectнейронні мережі
dc.subjectarima
dc.subjectrnn
dc.subjectlstm
dc.subjectfinancial market forecasting
dc.subjecttime series
dc.subjectmachine learning
dc.subjectneural networks
dc.titleПрогнозування часових рядів економічної природи. Порівняльний аналіз методів прогнозування
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Yarko_bakalavr.pdf
Розмір:
2.41 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