Гуськова, Віра ГеннадіївнаХаритонова, Світлана Володимирівна2026-02-182026-02-182025Харитонова, С. В. Гібридні підходи для моделювання та прогнозування фінансових даних : магістерська дис. : 122 Комп'ютерні науки / Харитонова Світлана Володимирівна. – Київ, 2025. – 139 с.https://ela.kpi.ua/handle/123456789/78846Магістерська дисертація: 139 с., 21 рис., 16 табл., 37 посилань. Об’єкт дослідження – процеси прогнозування фінансових часових рядів на основі історичних даних торгів фондового ринку. Предмет дослідження – гібридні архітектури нейронних мереж, що поєднують методи частотної декомпозиції, статистичні методи, рекурентні й згорткові мережі, та сучасні трансформерні моделі. Мета роботи – встановлення ефективності гібридних архітектур глибокого навчання для короткострокового прогнозування фінансових часових рядів шляхом розробки та експериментальної валідації моделей, що інтегрують класичні статистичні методи, методи обробки сигналів та сучасні підходи глибокого навчання. Наукова новизна – удосконалено гібридну архітектуру на основі PatchTST шляхом інтеграції паралельної згорткової гілки та адаптивного вентильного механізму злиття ознак; розвинуто метод температурного масштабування для калібрування впевненості прогнозів; проведено комплексне порівняльне дослідження чотирьох стратегій гібридизації з встановленням залежності ефективності від волатильності активу та ринкових умов. Практичне значення – розроблені моделі можуть безпосередньо застосовуватися для побудови алгоритмічних торгових стратегій, систем підтримки прийняття інвестиційних рішень та інструментів управління ризиками.139 с.ukпрогнозування фінансових часових рядівгібридні моделі глибокого навчанняархітектура patchtst-cnnрекурентні нейронні мережізгорткові мережімеханізм увагитемпературне масштабуванняселективна торгівляMaster Thesis004.896:336.76:519.246.8](043.3)