Пошук академічних текстів

Інформація × Реєстраційний номер 2124U001102, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Прогнозування фінансових часових рядів. Порівняльний аналіз методів прогнозування Автор Макітрук Максим Тарасович Дата публікації 01-01-2024 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/70571 Видання Київ Опис Дипломна робота: 60 с.,27 рис.,8 табл., 3дод., 15 джерел. Об’єкт дослідження – Фінансові часові ряди, методи прогнозування фінансових часових рядів. Предмет дослідження – Методи прогнозування, що базуються на ARIMA та LSTM моделях. Мета роботи – Провести аналіз методів прогнозування фінансових часових рядів, реалізувати моделі ARIMA та LSTM для прогнозування індексу S&P 500 та курсу золота, а також провести тестування побудованих моделей на історичних даних. Методи дослідження – методи машинного навчання та статистичного аналізу, авторегресійно-інтегрована модель ковзного середнього (ARIMA) та рекурентні нейронні мережі довгострокової пам'яті (LSTM). Актуальність – у сучасному світі економічних нестабільностей та фінансових криз, прогнозування фінансових часових рядів є важливою задачею для інвесторів та аналітиків. Використання сучасних методів машинного навчання дозволяє отримувати більш точні прогнози, що сприяє прийняттю обґрунтованих рішень та зменшенню ризиків. Результати роботи – результати показують, що модель LSTM забезпечує високу точність прогнозування фінансових часових рядів з низькими показниками похибок. Модель ARIMA також демонструє хорошу ефективність, але поступається LSTM за точністю прогнозів. Використання цих моделей дозволяє підвищити рентабельність інвестицій та приймати більш обґрунтовані рішення на фінансових ринках. Шляхи подальшого розвитку предмету дослідження – збільшити кількість параметрів, що враховуються в моделях, дослідити можливості застосування методів прогнозування для інших фінансових інструментів, а також адаптувати моделі для прогнозування в умовах високої волатильності ринків. Додано в НРАТ 2025-01-29 Закрити