Search academic texts

Information × Registration Number 2125U003122, Article popup.category Бакалаврська робота Title Методи прогнозування цін акцій (AI translated) popup.author Хлєвнушко Ярослав ІгоровичKhlievnushko Yaroslav Ihorovych popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/76217 popup.publisher Київ Description Дипломна робота: 112 с., 7 табл., 29 рис., 2 дод., 15 джерела. Тема: Комбіновані підходи до прогнозування цін акцій Робота присвячена дослідженню методів прогнозування цін акцій з використанням технічних індикаторів, моделей машинного навчання та сентимент-аналізу новин. Об’єкт дослідження: процеси формування ціни акцій. Предмет дослідження: методи прогнозування, що поєднують технічний аналіз, нейромережеві моделі та аналіз текстових даних. Мета роботи: дослідити можливості поєднання методів технічного аналізу, машинного навчання та обробки текстових даних для підвищення точності прогнозування цін акцій та виявлення їх взаємодоповнювального потенціалу. Методи дослідження: аналіз часових рядів, моделі LSTM, технічні індикатори (SMA, RSI), дерева рішень, лінійна регресія, NLP для обробки новин. У роботі представлено аналіз природи невизначеності на фондовому ринку, проведено огляд моделей прогнозування та реалізовано комбіновані підходи на основі реальних біржових даних. Оцінено ефективність обраних методів за допомогою метрик прогнозування та обґрунтовано доцільність їх використання залежно від наявних ресурсів і вимог до точності. Thesis: 112 pages, 7 tables, 29 figures, 2 appendices, 15 references. Title: Combined Approaches to Stock Price Forecasting This thesis explores methods for forecasting stock prices using technical indicators, machine learning models, and sentiment analysis of news articles. Object of study: processes of stock price formation. Subject of study: forecasting methods that integrate technical analysis, neural network models, and textual data analysis. Purpose: to investigate the potential of combining technical analysis, machine learning, and text processing methods to improve the accuracy of stock price forecasting and to identify their complementary potential. Research methods: time series analysis, LSTM models, technical indicators (SMA, RSI), decision trees, linear regression, and NLP for news analysis. The study includes an analysis of the nature of uncertainty in the stock market, a review of forecasting models, and the implementation of combined approaches using real market data. The effectiveness of the selected methods is evaluated using forecasting metrics, and the rationale for their application is provided based on available resources and accuracy requirements. popup.nrat_date 2025-11-05 Close