Browsing by Author "Коротка, Лариса Іванівна"

Now showing 1 - 6 of 6

Аналіз та підготовка даних при моделюванні плазмохімічних процесів отримання наносистем
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Макарченко, Віктор Сергійович; Коротка, Лариса Іванівна
UKR: Одним із нових напрямів промислової хімічної технології є плазмохімічна. Незважаючи на значні експериментальні та теоретичні дослідження, фізико-хімічні процеси є складними і не повністю вивченими для масштабування та контролю за ними в серійному виробництві. В низькотемпературній плазмі хімічні процеси, закономірності реакцій та основи плазмохімічної технології потребують комп’ютерного моделювання. Експериментальні дані натурних експериментів потребують додаткового аналізу і підготовки щодо подальшого їх застосування та побудови адекватних імітаційних моделей плазмохімічних процесів для розробки наносистем. У ході попереднього експерименту, який фактично включає два етапи, було оглянуто вхідні та вихідні змінні прикладного завдання. Розроблено програмний інструментарій для проведення аналізу експериментальних даних, який дозволяє зібрати статистичну інформацію, візуалізувати деякі процеси. Розглянуто та реалізовано програмно підходи побудови аналітичних та імітаційних моделей плазмохімічних процесів отримання наносистем. Оглянуто два можливих напрямки щодо підходів побудови гомоморфних моделей: класичні та з використанням штучного інтелекту. Запропоновано розглянути лінійні та нелінійні регресійні моделі. В якості першого типу моделей пропонується множинна регресія та методи, які використовують регуляризацію. Альтернативою першому підходу є побудова нелінійних моделей, які базуються на методі опорних векторів. Розглянуто векторну та мультивекторну регресії. Багатовимірна регресія спрямована на вивчення та побудову відображення багатовимірного вхідного простору ознак у багатовимірний вихідний простір. Проведено аналіз отриманих чисельних результатів та запропоновано використовувати для комп’ютерного моделювання нелінійні моделі плазмохімічних процесів для отримання наносистем, зокрема: мультивекторну регресію.
Глибоке навчання у фінансовому аналізі: застосування LSTM та GAN для прогнозування цін акцій
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: Прогнозування цін на акції є важливим аспектом фінансової аналітики, що допомагає інвесторам приймати зважені рішення. У роботі розглядаються традиційні методи прогнозування, такі як технічний аналіз (ковзні середні SMA, EMA) та статистичні моделі (ARIMA, експоненційне згладжування). Аналізуються їхні переваги та обмеження, зокрема труднощі у відображенні складних ринкових закономірностей. Для підвищення точності прогнозування пропонується використання сучасних підходів машинного навчання, зокрема нейронних мереж LSTM та генеративно-змагальних нейромереж (GANs). Описано архітектуру GAN та її здатність моделювати ринкову динаміку навіть за обмеженості історичних даних. Проведене дослідження базується на реальних біржових даних (ціни акцій AAPL), а результати порівнюються з методами ARIMA та LSTM, що підтверджує ефективність запропонованого підходу.
Нейромережеве прогнозування цін на фондовому ринку
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: У сучасному світі фінансові ринки виявляють все більший інтерес до систем, які можуть точно та ефективно прогнозувати майбутню ціну фінансових інструментів. Інформаційні технології, які існують на даний момент, дозволяють аналізувати та використовувати високонавантажені системи, такі як нейронні мережі, для прогнозування фінансових показників компанії. У цій статті розглядається використання нейронних мереж для прогнозування курсу акцій на фінансовому ринку. Розглядаються можливості нейронних мереж для прогнозування курсів акцій у зв’язку з тим, що нейронні мережі мають багато прихованих блоків, які дозволяють моделі адаптуватися до складних взаємозв’язків між показниками компанії та ціною її акцій. Наведено приклад нейронної мережі RNN, яка може працювати з послідовними даними, такими як погодинні ряди. Для прикладу побудови моделі була обрана Apple як одна з найбільших компаній, яка входить до списку найвпливовіших компаній американського ринку S&P 500.
Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: У статті здійснено порівняльний аналіз традиційних статистичних методів (ARIMA, SARIMA) та сучасного підходу на основі глибокого навчання (LSTM) для прогнозування часових рядів на фінансових ринках. Аналіз зосереджено на дослідженні ефективності кожної моделі у прогнозуванні ціни закриття акцій компанії Apple (NASDAQ: AAPL). Вибір моделей обумовлений їх широким застосуванням у фінансовому аналізі: ARIMA добре підходить для стаціонарних часових рядів, SARIMA дозволяє враховувати сезонні коливання, а LSTM здатна розпізнавати нелінійні залежності та довготривалі тренди. Для дослідження використано історичні дані про ціну закриття акцій AAPL за період із 01.01.2023 по 20.01.2025, отримані через сервіс yfinance. Експериментальне моделювання проводилося з метою порівняння точності прогнозування на основі таких мет-рик, як середня абсолютна похибка (MAE), середньоквадратична похибка (MSE), корінь середньоквадратичної похибки (RMSE) та середня абсолютна відносна похибка (MAPE). Результати аналізу показали, що модель LSTM забезпечує найкращу точність прогнозування завдяки здатності продуктивно моделювати складні патерни у часових рядах. SARIMA також продемонструвала високу ефективність у прогнозуванні, особливо для даних із вираженою сезонною складовою, перевершуючи ARIMA за точністю. Водночас ARIMA продемонструвала найгірші результати через обмежену здатність адаптуватися до сезонності та нелінійних залежностей. Одержані висновки можуть бути корисними для аналітиків, інвесторів та дослідників, що займаються фінансовим прогнозуванням. Робота містить практичні ре-комендації щодо вибору моделі залежно від характеристик даних і потреб прогнозування, а також висвітлює сильні та слабкі сторони кожного підходу.
Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFM
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: Прогнозування часових рядів є важливим інструментом для компаній у сучасному світі. Воно дозволяє приймати обґрунтовані рішення на основі аналізу історичних даних та передбачень майбутніх тенденцій. У цьому контексті використовуються різні моделі, такі як ARIMA, LSTM, Prophet та XGBoost. Проте їх застосування часто вимагає значного часу для доналаштування. З метою вирішення цієї проблеми Google розробив модель TimesFM, яка забезпечує прогнозування часових рядів без потреби в навчанні. TimesFM показує високу продуктивність та точність на різних типах даних, що робить його потужним інструментом для бізнесу.
Інтеграція нечіткої логіки в генеративно-змагальну мережу TimeGAN для прогнозування фінансових часових рядів
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: Розглянуто проблему фіксованої довжини вікна спостереження у генеративно-змагальній мережі TimeGAN та запропоновано метод її вирішення через інтеграцію нечіткого регулятора параметра k. На відміну від детермінованого підбору гіперпараметрів, нечіткий модуль Φ: S → K = {10,…,60} динамічно адаптує k залежно від поточного ринкового режиму, що характеризується вектором з чотирьох індикаторів: риночної волатильності, нормованого нахилу лінійної регресії, нормованого обсягу торгів відносно ковзного середнього та волатильності сентименту новин. Описано архітектурні зміни у функції вбудовування TimeGAN, необхідні для інтеграції змінного вікна, та підтверджено ефективність підходу на двох активах (S&P 500, AAPL) за 2019–2025 р. MAE знизився на 16,4% для S&P 500 та на 12,9% для AAPL порівняно з базовим TimeGAN при фіксованому k.