DSpace Repository

Прогнозування майбутніх значень фінансових ринків із використанням рекурентних нейронних мереж та їх модифікацій

Show simple item record

dc.contributor.author Кравець, Олексій Сергійович
dc.date.accessioned 2022-12-02T09:25:21Z
dc.date.available 2022-12-02T09:25:21Z
dc.date.issued 2022-12-02
dc.identifier.citation Кравець О. С. Прогнозування майбутніх значень фінансових ринків із використанням рекурентних нейронних мереж та їх модифікацій : кваліфікаційна робота / наук. керівник - д-р фіз.-мат., проф. В. М. Соловйов. Кривий Ріг, 2022. 58 с. uk
dc.identifier.uri http://elibrary.kdpu.edu.ua/xmlui/handle/123456789/6943
dc.description 1. Машинное обучение / Сайт «Habr» [Электронний ресурс]. / URL: https://habr.com/company/wunderfund/blog/331310 2. Садовникова Н. Анализ временных рядов и прогнозирование: Учебное пособие / Н.А. Садовникова, Р.А. Шмойлова – М.: Синергия, 2016 – 152 с. 3. Ярушкина Н. Интеллектуальный анализ временных рядов: Учебное пособие / Н.Г. Ярушкина, Т.В. Афанасьева, И.Г. Перфильева – М.: Инфра-М, 2015 – 160 с.1. Горбачевская, Е. Н. Классификация нейронных сетей [Электронний ресурс] / Е. Н. Горбачевская // Вестник ВУиТ. – 2012. – № 2 (19). – URL: https://cyberleninka.ru/article/n/ klassifikatsiya-neyronnyh-setey 4. Сигмоида[Электронный ресурс].URL:https://www.wikiwand.com/ru/%D0%A1%D0%B8%D0%B3%D0%B C%D0%BE%D0%B8%D0%B4%D0%B 5. Хошрейтер С., Шмідхубер Ю., Довга корострокова пам’ять // Neural Computation. 9 – 1997. – 1735-1780 c. 6. Барский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2013. - 352 c. 7. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: КД Либроком, 2016. - 232 c 8. Бідюк П.І. Аналіз часових рядів: навчальний посібник. К: Політехніка, 2010. 317 с. 9. Robert J. Van Eyden The Application of Neural Networks in the Forecasting of Share Prices. New York: Finance and Technology Publishing, 1996. 326 р. 10. Yoon Y., G. Swales Applying Artificial Neural Networks to Investment Analysis. London: Taylor & Francis, 2011. 80 с. 11. Бенджио, Гудфеллоу, Курвилль: Глубокое обучение. Издательство: ДМК-Пресс, 2018 г. - 652 с. 54 12. Горелова В. Л., Мельникова Е. Н. Основы прогнозирования систем. — М.: Высшая школа, 1986. 13. Нейронні мережі: їх застосування [Електронний ресурс] – Режим доступу до ресурсу: http://www.poznavayka.org/uk/nauka-i-tehnika-2/ neyronn imerezhi-yih-zastosuvannya-robota/. 14. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition / Samarasinghe S., 2006. 15. Бринк Х. Машинное обучение / Х. Бринк, Д. Ричардс, М. Феверолф., 2018. – 336 с. 16. Короткий C. Нейронные сети: Основные положения / C. Короткий., 2017. – 69 с. 17. Wolfgang G., Sascha S. Predicting Time Series with SpaceTime Convolutional and Recurrent Neural Networks. ESANN 2017: Proceedings of the technical sessions presented at the European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, Bruges, Belgium, 2628 April, 2017. Munich: Schwabing, 2018. Р. 71–85. 18. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: РиС, 2013. - 384 c. 19. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: КД Либроком, 2016. - 232 c 20. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. — М.: Мир, 1992. 21. Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2018. – 121 с. 22. Прогнозування та аналіз часових рядів. Методичні вказівки до практичних занять та самостійної роботи студентів спеціальності 051 «Економіка» освітня програма «Економічна кібернетика», «Економічна аналітика» / Укл.: Юрченко М. Є. – Чернігів: ЧНТУ, 2018. – 88 с. 23. Филатова, Т. В. Применение нейронных сетей для аппроксимации данных [Электронный ресурс] / Т. В. Филатова // Вестник Томского 55 государственного университета. – 2004. – № 284. – URL: https://cyberleninka.ru/ article/n/primenenie-neyronnyh-setey-dlya-approksimatsii-dannyh 24. Григорьева Д.Р. Методы статистического прогнозирования // Экономический анализ: теория и практика. – 2015 . – №17. – С. 21. 25. Shengdong Du, Tianrui Li, Yan Yang, Shi-Jinn Horng: Deep Air Quality Forecasting Using Hybrid Deep Learning Framework. CoRR abs/1812.04783 (2018). 26. Григорьева Д.Р. Методы статистического прогнозирования // Экономический анализ: теория и практика. – 2015 . – №17. – С. 21. 27. Маккінні У. Python for Data Analysis. / У. Маккінні., 2015. – 482 с. Вандер Д. П. Python Data Science Handbook: Essential Tools for Working with Data / Дж. Плас Вандер., 2017. – 576 с. 28. Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016). Deep Learning. MIT Press 29. Deng, L.; Yu, D. (2014). Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing 7 (3-4): 1–199. doi:10.1561/2000000039 30. Bengio, Yoshua (2009). Learning Deep Architectures for AI. Foundations and Trends in Machine Learning 2 (1): 1–127. 31. Bengio, Y.; Courville, A.; Vincent, P. (2013). Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence 35 (8): 1798–1828. arXiv:1206.5538. doi:10.1109/tpami.2013.50 32. Schmidhuber, J. (2015). Deep Learning in Neural Networks: An Overview. Neural Networks 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003 33. Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). Deep Learning. Nature 521: 436–444. doi:10.1038/nature14539 34. Deep Machine Learning — A New Frontier in Artificial Intelligence Research — a survey paper by Itamar Arel, Derek C. Rose, and Thomas P. Karnowski. IEEE Computational Intelligence Magazine, 2013 35. Schmidhuber, Jürgen (2015). Deep Learning. Scholarpedia 10(11): 32832. doi:10.4249/scholarpedia.32832 36. Carlos E. Perez. A Pattern Language for Deep Learning 56 37. Zheng Zhao and Huan Liu. (2007). Spectral feature selection for supervised and unsupervised learning. In Proceedings of the 24th international conference on Machine learning (ICML '07). Association for Computing Machinery, New York, NY, USA, 1151–1157. DOI:https://doi.org/10.1145/1273496.1273641 38. Sathya, R. & Abraham, Annamma. (2013). Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. International Journal of Advanced Research in Artificial Intelligence. 2(2). 10.14569/IJARAI.2013.020206. 39. Love, B.C. Comparing supervised and unsupervised category learning. Psychonomic Bulletin & Review 9, 829–835 (2002). https://doi.org/10.3758/BF03196342 40. Turner, Jenine & Charniak, Eugene. (2005). Supervised and Unsupervised Learning for Sentence Compression. 10.3115/1219840.1219876. 41. J. Corchado, C. Fyfe and B. Lees, "Unsupervised learning for financial forecasting," Proceedings of the IEEE/IAFE/INFORMS 1998 Conference on Computational Intelligence for Financial Engineering (CIFEr) (Cat. No.98TH8367), 1998, pp. 259-263, doi: 10.1109/CIFER.1998.690316. 42. Salvador B, Oosterlee CW, van der Meer R. Financial Option Valuation by Unsupervised Learning with Artificial Neural Networks. Mathematics. 2021; 9(1):46. https://doi.org/10.3390/math9010046 43. Wang, Bao & Kong, Yue & Zhang, Yongtao & Liu, Dapeng & Ning, Lianju. (2019). Integration of Unsupervised and Supervised Machine Learning Algorithms for Credit Risk Assessment. Expert Systems with Applications. 128. 10.1016/j.eswa.2019.02.033. 44. Dixon, Matthew Francis and Halperin, Igor, The Four Horsemen of Machine Learning in Finance (September 15, 2019). http://dx.doi.org/10.2139/ssrn.3453564 45. M. Heidari, S. Zad and S. Rafatirad, "Ensemble of Supervised and Unsupervised Learning Models to Predict a Profitable Business Decision," 2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS), 2021, pp. 1-6, doi: 10.1109/IEMTRONICS52119.2021.9422649. 57 46. Olshausen, B. A. (1996). "Emergence of simple-cell receptive field properties by learning a sparse code for natural images". Nature. 381 (6583): 607–609. Bibcode:1996Natur.381..607O. doi:10.1038/381607a0. PMID 8637596. S2CID 4358477. 47. Bengio, Yoshua; Lee, Dong-Hyun; Bornschein, Jorg; Mesnard, Thomas; Lin, Zhouhan (13 February 2015). "Towards Biologically Plausible Deep Learning". arXiv:1502.04156 48. K. Bandara, P. Shi, C. Bergmeir, H. Hewamalage, Q. Tran, and B. Seaman, “Sales demand forecast in E-commerce using a long short-term memory neural network methodology,” in Proc. ICONIP, Sydney, NSW, Australia, 2019, pp. 462– 474. 49. Z. Hu, Y. Zhao, and M. Khushi, “A Survey of Forex and stock price prediction using deep learning,” Appl.Syst.Innov., vol. 4, no. 9, 2021. DOI: 10.3390/asi4010009. 50. R. Zhang, Z. Yuan, and X. Shao, “A new combined CNN-RNN model for sector stock price analysis,” in Proc. COMPSAC, Tokyo, Japan, 2018. 51. A. Dolatabadi, H. Abdeltawab, and Y. Mohamed, “Hybrid deep learningbased model for wind speed forecasting based on DWPT and bidirectional LSTM Network,” IEEE Access., vol. 8, pp. 229219–229232, 2020. DOI: 10.1109/ACCESS.2020.3047077. 52. M. Alazab, S. Khan, S. Krishnan, Q. Pham, M.Reddy, and T. Gadekallu, “A multidirectional LSTM model for predicting the stability of a smart grid,” IEEE Access., vol. 8, pp. 85454–85463, 2020. DOI: 10.1109/ACCESS.2020.2991067. 53. T. Liu, T. Wu, M. Wang, M. Fu, J. Kang, and H. Zhang, “Recurrent neural networks based on LSTM for predicting geomagnetic field,” in Proc. ICARES, Bali, Indonesia, 2018. 54. G. Lai, W. Chang, Y. Yang, and H. Liu, “Modelling long-and short-term temporal patterns with deep neural networks,” in Proc. SIGIR, 2018. 58 55. M. Alhussein, K. Aurangzeb, and S. Haider, “Hybrid CNN-LSTM model for short-term individual household load forecasting,” IEEE Access., vol. 8, pp. 180544–180557, 2020. DOI: 10.1109/ACCESS.2020.3028281. 56. J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, ”Empiral evaluation of gated recurrent neural networks on sequence modelling,” 2014, arXiv: 1412.3555. [Online]. Available: https://arxiv.org/abs/1412.3555 uk
dc.description.abstract Мeтoю квaлiфiкaцiйнoї рoбoти є прoгнoзyвaння мaйбyтнix знaчeнь чacoвиx рядiв, представлених індексами нафтопереробних компаній зa дoпoмoгoю нeйрoмeрeжниx мoдeлeй. Для дocягнeння мeти нeoбxiднo викoнaти нacтyпнi зaвдaння: 1. прoвecти aнaлiз прeдмeтнoї oблacтi глибoкoгo нaвчaння тa прoгнoзyвaння значень чacoвиx рядiв; 2. прoaнaлiзyвaти cпocoби прoгнoзyвaння чacoвиx рядiв; 3. прoaнaлiзyвaти принципи рoбoти нeйрoнниx мeрeж; 4. рeaлiзyвaти тa нaвчити нeйрoмeрeжнi мoдeлi LSTM, GRU тa RNN; 5. дocлiдити рeзyльтaти нaвчaння, пoрiвняти рeзyльтaти викoнaння тa тoчнicть виxiдниx дaниx. uk
dc.language.iso uk uk
dc.subject часовий ряд uk
dc.subject нейронна мережа uk
dc.subject прогнозування uk
dc.subject нейромережна модель uk
dc.subject фінансові ринки uk
dc.subject нафтопереробні компанії uk
dc.title Прогнозування майбутніх значень фінансових ринків із використанням рекурентних нейронних мереж та їх модифікацій uk
dc.type Learning Object uk


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics