Search academic texts

Information × Registration Number 0826U003609, PhD dissertation Status Доктор філософії Date popup.evolution o   Чому дисертація має статус "Запланована"? Title Time series forecasting methods in generative modeling with fuzzy parameter adaptation Author Yurii O. Pertsev, popup.head Larysa I. Korotka popup.opponent Yevhen Y. Fedorov popup.opponent Svitlana I. Shapovalova popup.review Viktor I. Shynkarenko popup.review Kateryna Y. Ostrovska Description Перцев Ю. О. Методи прогнозування часових рядів у генеративному моделюванні з нечіткою адаптацією параметрів. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 – Комп'ютерні науки (галузь знань 12 – Інформаційні технології). – Український державний університет науки і технології, Дніпро, 2026. Дисертаційна робота присвячена вирішенню актуальної науково-прикладної задачі підвищення точності та стабільності прогнозування нестаціонарних часових рядів. В умовах зростаючої складності фінансових ринків класичні статистичні методи (ARIMA, SARIMA) та дискримінативні нейромережеві підходи (RNN, LSTM) демонструють системні обмеження: фіксовані параметри моделей не адаптуються до динамічних змін ринкових режимів, а відсутність механізмів інтеграції якісної інформації унеможливлює врахування новинного фону та ринкового сентименту при формуванні прогнозів. Метою роботи є підвищення точності прогнозування часових рядів засобами генеративно-змагальних нейронних мереж з нечіткою адаптацією параметрів. Для досягнення поставленої мети виконано наступні завдання: проведено системний аналіз сучасних методів прогнозування нестаціонарних часових рядів, побудовано нечіткий модуль логічного виведення для адаптивного визначення параметра вікна прогнозування, спроєктовано гібридну нейромережеву генеративну модель TimeGAN-FL з підсистемою інтеграції ринкового сентименту, розроблено алгоритм навчання запропонованої архітектури та проведено її валідацію. У першому розділі здійснено систематичний огляд та порівняльний аналіз методів прогнозування нестаціонарних часових рядів – від класичних статистичних моделей ARIMA та SARIMA до дискримінативних нейромережевих архітектур (RNN, LSTM) та генеративно-змагальних мереж (GAN, TimeGAN). Проаналізовано методи адаптивного управління параметрами моделей та підходи до інтеграції ринкового сентименту через трансформерні моделі (FinBERT). Виявлено три фундаментальні обмеження існуючих GAN-архітектур: використання фіксованої довжини вікна спостереження без адаптації до поточного ринкового режиму, відсутність механізмів інтеграції якісної інформації та детермінований підбір гіперпараметрів. Другий розділ містить повний математичний апарат нечіткого модуля Φ для адаптивного визначення параметра вікна спостереження. Введено вектор ринкових індикаторів, що включає реалізовану волатильність, нормований напрямок тренду, нормований обсяг торгів та волатильність сентименту. Побудовано систему сигмоїдних функцій належності, сформовано базу з вісімнадцяти правил системи Мамдані та реалізовано алгоритм виведення з дефазифікацією методом центроїда. Верифікація на реальних даних підтвердила коректність модуля: середня абсолютна похибка визначення вікна становить 1,10 кроки, збіг з незалежною класифікацією ринкових режимів – 86%. Третій розділ описує повну архітектуру TimeGAN-FL, що інтегрує нечіткий модуль Φ та сентиментний модуль S на основі FinBERT у модифікований TimeGAN через три формально специфіковані інтерфейси. Розроблено чотирирівневий конвеєр обробки якісної інформації: пакетний інференс FinBERT → щоденний індекс тональності → волатильність сентименту → сентиментний вектор з механізмом адаптивної уваги. Модифіковано вхідний вектор генератора через конкатенацію цінових та сентиментних ознак. Введено авторську складову функції втрат L_sentiment, де коефіцієнт зв'язку визначається аналітично з навчальних даних. Описано п'ятифазний алгоритм навчання з косинусним спаданням навчальної швидкості та механізмом дострокового зупинення. У четвертому розділі проведено повне емпіричне дослідження ефективності архітектури TimeGAN-FL у порівнянні з п'ятьма базовими моделями (ARIMA, LSTM, TimeGAN, TimeGAN-S, TimeGAN-F) на п'яти фінансових активах (AAPL, GOOGL, META, TSLA, S&P 500) за горизонтом 2019–2025 (1760 торгових днів). Нечіткий модуль Φ є найефективнішим авторським компонентом: TimeGAN-F забезпечує середнє покращення середньої абсолютної похибки на 40,5% відносно базового TimeGAN з найкращими результатами для TSLA (+49,4%) та S&P 500 (+54,2%). Сентиментний модуль підвищує точність визначення напрямку цінового руху у дні з вираженим сентиментом до 68,3% проти 57,1% для базового TimeGAN. Усі варіанти GAN демонструють рівень значущості критерію Колмогорова-Смирнова p ∈ [0,70; 1,00], підтверджуючи здатність відтворювати статистичні властивості реальних часових рядів. Практична придатність підтверджена: час навчання 30–35 хв на актив, час щоденного застосування менше 1 секунди. Ключові слова: часові ряди, машинне навчання, нейронні мережи, нечітка логіка, генеративно-змагальні мережі, RNN, великі мовні моделі (LLM), точність прогнозування, модель прогнозування, тексти природною мовою, класифікація текстів, BERT, моделювання, програмне забезпечення, інформаційні технології. Registration Date 2026-07-15 popup.nrat_date 2026-07-15 Close