Search academic texts

Information × Registration Number 2125U003132, Article popup.category Бакалаврська робота Title Models and Methods for Modeling and Forecasting Non-Stationary Financial Processes (AI translated) popup.author Ницька Катерина ОлександрівнаNytska Kateryna Oleksandrivna 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/123456789/76242 popup.publisher Київ Description Дипломна робота: 106 сторінок, 23 рисунки, 8 таблиць, 2 додатки і 24 джерела. Метою роботи є порівняння методів та моделей для моделювання та прогнозування нестаціонарного часового ряду цін на акції на фондовому ринку. Для дослідження обрано історичні дані про ціни акцій компанії Nvidia за період з 1 березня 2016 року по 1 червня 2020 року. Також для підвищення якості прогнозування були залучені екзогенні змінні, які мають вплив на цільову змінну. У якості методів моделювання і прогнозування використовувались модель ARX з включенням трендової складової, модель SARIMAX та мережу LSTM. Для моделювання волатильності часового ряду використовувалась модель GARCH з використанням різних розподілів з метою врахування особливостей даних. Програмна реалізація здійснювалася за допомогою мови програмування Python. Проведено попередню обробку вхідних даних, а також проаналізовано основні властивості часових рядів. У роботі детально описано побудову моделей та короткострокове прогнозування цінового часового ряду акцій. Здійснено порівняння обраних методів. Thesis: 106 pages, 23 figures, 8 tables, 2 appendices, and 24 references. The aim of this work is to compare methods and models for modeling and forecasting non-stationary time series of stock prices on the financial market. Historical stock price data for Nvidia covering the period from March 1, 2016 to June 1, 2020 were selected for the study. To improve forecast accuracy, exogenous variables known to influence the target series were also incorporated. For modeling and forecasting, the ARX model with added trend component, the SARIMAX model, and an LSTM network were employed. To capture volatility of the time series, a GARCH model – using various probability distributions to accommodate data characteristics – was used. The software implementation was carried out in Python. Preliminary preprocessing of the input data was performed, and the main properties of the time series were analyzed. This thesis provides a detailed description of model construction and short-term forecasting of the stock price series, followed by a comparative evaluation of the selected methods. popup.nrat_date 2025-11-05 Close