Кузнєцова, Наталія ВолодимирівнаРадченко, Дмитро Олексійович2023-09-182023-09-182023Радченко, Д. О. Прогнозування часових рядів ринкового курсу криптовалют : дипломна робота ... бакалавра : 124 Системний аналіз / Радченко Дмитро Олексійович. – Київ, 2023. – 89 с.https://ela.kpi.ua/handle/123456789/60467Кваліфікаційна робота: 89 с., 6 табл., 20 рис., 2 додатки, 20 джерел. Об'єкт дослідження: прогнозування часових рядів рекурентними нейронними мережами LSTM та GRU. Мета роботи: поглибити знання щодо прогнозування часових рядів рекурентними нейронними мережами LSTM та GRU, розробити архітектури нейронних мереж з шарами LSTM та GRU, інтерпретувати параметри мереж та отримати змістовні результати на практичній задачі прогнозування фінансового повернення з активу. Методи досліджень: поняття і методи фінансового технічного аналізу, методів оптимізації, алгоритми та підходи машинного навчання, нейронних мереж. Одержані висновки та їх новизна: нейронні мережі є потужним сучасним підходом для вирішення задачі прогнозування часових рядів. Розроблені архітектури мереж пропонують як і низько ризикові, так і високо ризикові точки входу в фінансову угоду. Результати досліджень можуть бути застосовані при використанні моделей як торгових сигналів експертами інвестиційної криптовалютної галузі. В залежності від типу торгівлі можна використовувати модель із шарами LSTM для низько ризикової торгівля та модель із шарами GRU для високо ризикової торгівлі. Наведено інтерпретацію параметрів нейронних мереж, що вирішує проблему «чорного ящику».89 с.ukрекурентні нейронні мережіпрогнозування часових рядівпрогнозування фінансового поверненняінтерпретація нейронних мережархітектура рекурентних нейронних мережвектор шепліrecurrent neural networkslstmgrutime series forecastingforecasting financial returnneural networks interpretationarchitecture of recurrent neural networksshapley valueBachelor Thesis