Search academic texts

Information × Registration Number 2121U007604, Article popup.category Бакалаврська робота Title Information Technology for Forecasting Non-Stationary Financial Processes Based on Machine Learning (AI translated) popup.author Клименко Ірина ОлександрівнаKlymenko Iryna Oleksandrivna popup.publication 01-01-2021 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/43781 popup.publisher Київ Description Дипломна робота: 87 с., 10 табл., 24 рис., 2 додатків, 34 джерел. Дана робота присвячена вивченню методів та моделей прогнозування нестаціонарних фінансових процесів. Також проведенню порівняльного аналізу методів прогнозування, а саме ARIMA та LSTM. Створено програмний продукт для досягнення поставлених цілей. Об’єкт дослідження – дані котирування цін індексу S&P 500. Предмет дослідження – методи прогнозування нестаціонарних фінансових процесів на основі машинного навчання – модель ARIMA та рекуретні нейронні мережі, а саме мережа LSTM. Мета роботи – виявлення ефективності та точності моделей ARIMA та LSTM, що використовуються для аналізу та прогнозування котирування біржових індексів. Актуальність – можливість достовірного передбачення вартості біржових індексів – це потужний інстумет в трейдингу на фінансовому ринку, котрий підвищує можливість отримання прибутку шляхом прийняття правильних рішень основаних на спрогнозованних данних. Шляхи подальшого розвитку предмету дослідження – розгляд та реалізація інших методів машинного навчання для визначення найточнішого методу прогнозування. Проведення досліджень методів для побудови торгових стратегій на фінансовому ринку. Розробка мобільного додатку з функціоналом прогнозування цін на світовому фінансовому ринку та побудовою автоматичних торгових стратегій. Thesis: 87 p., 10 tabl., 24 fig., 2 appendices, 34 sources. This work is devoted to the study of methods and models for forecasting non-stationary financial processes. Also, to conduct a comparative analysis of the considered forecasting methods. A software product has been created to achieve the set goals. The object of the research is data on quotations of S&P 500 index prices. The subject of research - methods of forecasting non-stationary financial processes based on machine learning – ARIMA model and recurrent neural networks – LSTM. The purpose of the work is to identify the effectiveness and accuracy of some models used to analyze and predict the quotations of stock indices. Relevance – the ability to reliably predict the value of stock indices is a powerful tool in trading in the financial market, which increases the possibility of making a profit by making the right decisions based on forecast data. Further development of the subject of research – consideration and implementation of other machine learning methods to determine the most accurate method of forecasting. Conducting research on methods for building trading strategies in the financial market. Development of a mobile application with the functionality of price forecasting in the global financial market and a set of automatic trading strategies. popup.nrat_date 2025-11-05 Close