Гібридна система детекції аномалій на фінансових ринках на основі комбінованого аналізу кількісних та текстових даних

Скорочена інформація про документ
dc.contributor.advisorТимощук, Оксана Леонідівна
dc.contributor.authorСухарева, Світлана Володимирівна
dc.date.accessioned2026-08-11T13:43:17Z
dc.date.available2026-08-11T13:43:17Z
dc.date.issued2026
dc.description.abstractДипломна робота: 101 с., 10 табл., 28 рис., 2 додатки, 25 джерел. Об'єкт дослідження – процес виявлення аномальних коливань на фінансових ринках та їх контекстуальна верифікація. Предмет дослідження – методи статистичного аналізу часових рядів (Zscore, EWMA, CUSUM), алгоритми машинного навчання без нагляду (Isolation Forest), трансформерна модель сентиментального аналізу фінансових текстів (FinBERT), методи прогнозування часових рядів (ARIMAX, CNN-LSTM), а також застосування великої мовної моделі Gemini для генерації пояснень аномалій. Мета роботи – розробка та реалізація гібридної чотирирівневої системи детекції аномалій на фінансових ринках шляхом поєднання кількісного аналізу часових рядів із текстовою верифікацією на основі новинних джерел. У роботі реалізовано систему що поєднує статистичні детектори та Isolation Forest для кількісної детекції, FinBERT із новинними заголовками GDELT API для текстової верифікації, моделі ARIMAX та CNN-LSTM для прогнозування, та Gemini API для генерації пояснень. Результати представлено у вигляді інтерактивного веб-дашборду на базі Streamlit. Шляхи подальшого розвитку – розширення переліку активів, інтеграція з потоками ринкових даних у реальному часі, донавчання FinBERT на доменно-специфічних фінансових текстах, а також дослідження альтернативних методів агрегації сигналів детекторів.
dc.description.abstractotherBachelor's thesis: 101 p., 10 tables, 28 figures, 2 appendices, 25 references. Object of research – the process of detecting anomalous fluctuations in financial markets and their contextual verification. Subject of research – methods of statistical time series analysis (Z-score, EWMA, CUSUM), unsupervised machine learning algorithms (Isolation Forest), a transformer model for sentiment analysis of financial texts (FinBERT), time series forecasting methods (ARIMAX, CNN-LSTM), and the application of the Gemini large language model for anomaly explanation generation. Objective of the work – development and implementation of a hybrid four– level anomaly detection system in financial markets by combining quantitative time series analysis with text–based verification from news sources. The work implements a system that combines statistical detectors and Isolation Forest for quantitative detection, FinBERT with GDELT API news headlines for text verification, ARIMAX and CNN-LSTM models for forecasting, and the Gemini API for explanation generation. The results are presented as an interactive web dashboard powered by Streamlit. Directions for future development – expanding the asset portfolio, integrating real–time market data streams, fine–tuning FinBERT on domain–specific financial texts, and researching alternative methods for detector signal aggregation.
dc.format.extent159 с.
dc.identifier.citationСухарева, С. В. Гібридна система детекції аномалій на фінансових ринках на основі комбінованого аналізу кількісних та текстових даних : дипломна робота … бакалавра : 124 Системний аналіз / Сухарева Світлана Володимирівна. – Київ, 2026. – 159 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82412
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectдетекція аномалій
dc.subjectфінансові часові ряди
dc.subjectгібридна система
dc.subjectтекстова верифікація
dc.subjectвелика мовна модель
dc.subjectконсенсус детекторів
dc.subjectanomaly detection
dc.subjectfinancial time series
dc.subjecthybrid system
dc.subjecttext verification
dc.subjectlarge language model
dc.subjectdetector consensus
dc.titleГібридна система детекції аномалій на фінансових ринках на основі комбінованого аналізу кількісних та текстових даних
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Sukhareva_bakalavr.pdf
Розмір:
8.83 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