Яковлева, Алла ПетрівнаОстроверхий, Антон Сергійович2020-11-122020-11-122020-06Островерхий, А. С. Покращення прогнозування часових рядів за допомогою підходу з використанням bootstrap aggregating : дипломна робота ... бакалавра : 124 Системний аналіз / Островерхий Антон Сергійович. - Київ, 2020. - 78 с.https://ela.kpi.ua/handle/123456789/37366Дипломна робота: 64 с., 30 рис., 6 табл., 2 дод., 7 джерел. Метою даної роботи: дослідження можливості та властивостей застосування моделей bagging, Random Forest та AdaBoost для прогнозу фінансового часового ряду в умовах корельованих даних та порівняння помилки роботи кожної з моделей. Актуальність дослідження: прогнозування фінансового часового ряду компанії Yahoo Finance за великий проміжок часу (більше 20 років) з можливістю включення найактуальніших на сьогодні даних у ряд. Моделі тренуються на даних, котрі містять інформацію про економічну кризу 2007-2008 років, що робить їх стійкими в умовах можливої кризи після пандемії коронавірусу. Об’єкт дослідження: набір фінансових даних компанії Yahoo! Finance з 1998 року. Предмет дослідження: моделі Bagging, Random Forest та AdaBoost для прогнозування часового ряду, засновані на бустрепінгу та бустингу, їх особливості та застосування на реальному фінансовому часовому ряді. Методи дослідження: застосовані моделі прогнозування різної природи для часового фінансового ряду, виконані на мові програмування Python у середовищі Jupyter Notebook з використанням пакету sklearn. Отримані результати: Побудовано модель бустингу AdaBoost з непоганим значенням помилки, котра не перенавчилась на вибірці. Досягнено кращого за Random Forest результату, котрий вважається оптимальним алгоритмом для ряду такої природи як у Yahoo! Finance.ukпрогнозуваннячасові рядиbootstrap aggregatingBachelor Thesis78 с.