Факультет комп’ютерних наук та інженерії (КН та І)

Permanent URI for this communityhttps://crust.ust.edu.ua/handle/123456789/20189

ENG: Faculty of Computer Science and Engineering

Browse

Now showing 1 - 2 of 2

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.
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.