Abstract:
Результатом магістерської роботи є навчена, прогнозувати динаміку часових рядів, нейронна мережа за допомогою мови програмування Python та засобу Keras. Проведена робота дає змогу зробити такі загальні висновки, що відображають вирішення завдань відповідно до поставленої мети:
1. Аби навчити нейронну мережу прогнозувати часові ряди необхідно було знайти та розглянути аналоги програм, які можуть аналізувати часові ряди та бази даних, з яких можна ці часові ряди завантажити. Були розглянуті доступні бази даних часових рядів, такі як: •finance.yahoo •Google Finance •Bloomberg L.P. •Reuters •Factiva Обрано базу finance.yahoo, в якій наявна велика кількість часових рядів, і взаємодія з якою значно зручніша ніж з іншими, оскільки finance.yahoo має навіть власну бібліотеку для Python.
2. Для досягнення мети було проаналізовано роботу нейронної мережі, порівняно наявні аналоги програмного засобу. Це дало змогу виділити такі переваги, як швидкість аналізу часових рядів та їх прогнозування, оптимізація процесу аналізу стійкості компаній і недоліки, як обмеженість у доступі, велика вартість. Це дозволило висунути вимоги до власного проекту з досліджень методів прогнозування часових рядів. Висунуто функціональні вимоги до власної нейронної мережі, досліджено алгоритми прогнозування та зроблені певні висновки.
3. Були проаналізовані способи прогнозування часових рядів методами штучного інтелекту та авторегресії.
4. Висунуто функціональні вимоги, які було реалізовано. Під час розрахунку акуратності обчислень, було виявлено максимальну точність 61 аналізу 68%, але цей відсоток можливо збільшити використовуючи більше змінних при прогнозуванні.
Досліджені у рамках магістерської роботи алгоритми прогнозування фінансових часових рядів можливо буде в майбутньому вдосконалити шляхом оптимізації та підвищення якості, швидкості, аналізу з допомогою використанні більшої кількості змінних при прогнозуванні. Практичне значення роботи полягає в тому, що проаналізовані алгоритми можливо буде використовувати як альтернатива вже наявним комерційним аналогам, які можна швидко відтворити з мінімальною витратою часу
