МЕТОДИКА ОЦІНКИ ЕФЕКТИВНОСТІ МОДЕЛЕЙ ПРОГНОЗУВАННЯ ПОВЕДІНКИ ФІНАНСОВИХ РИНКІВ
DOI: 10.31673/2409-7292.2025.011908
Анотація
Прогнозування фінансових ринків має ключове значення через його вплив на управління ризиками та
прийняття інвестиційних рішень. Точні прогнози можуть допомогти уникнути значних фінансових втрат та
максимізувати прибутки. Традиційні методи прогнозування фінансових ринків включають моделі часових рядів,
такі як авторегресивна інтегрована модель середнього, модель середнього та авторегресивна модель середнього,
які базуються на статистичних принципах і використовують історичні дані для прогнозування майбутніх значень.
Однак традиційні моделі мають свої обмеження, особливо у випадках високої волатильності або економічних
криз, коли ринок піддається значним змінам. У роботі запропонована нова методика аналізу моделей, яка
враховує ризики та адаптивність моделей прогнозування із використанням рекурентних нейронних мереж. Вона
має можливість гнучкого налаштування завдяки використанню вагових коефіцієнтів у розрахунках, що дозволяє
адаптуватися не лише до змін на ринку, а й до різних аналітичних інструментів. Архітектура розробленої системи
передбачає модульний підхід, де кожен компонент методу реалізований як окремий модуль з чітко визначеними
інтерфейсами взаємодії. Це дозволило протестувати методику на реальних історичних даних та підтвердити її
ефективність у порівнянні з традиційними підходами.
Ключові слова: нейронні мережі, інформаційна модель, фінансова аналітика, ухвалення рішень.
Список використаних джерел
1. Rocca R. Interpreting R²: a Narrative Guide for the Perplexed [Електронний ресурс]. Towards Data
Science. – 2024. – Режим доступу до ресурсу: https://towardsdatascience.com/interpreting-r%C2%B2-a-narrativeguide-for-the-perplexed-086a9a69c1ec.
2. Демчик Я.М., Розен В.П. Оцінки похибки прогнозних моделей та прогнозів спожитої електричної
енергії на об’єктах енергетичного ринку. Енергетика: економіка, технології, екологія. 2019. № 4. — С. 69-78.
3. Kozyrkov C. Why is Mean Squared Error (MSE) So Popular? [Електронний ресурс]. Towards Data
Science. – 2022. – Режим доступу до ресурсу: https://towardsdatascience.com/why-is-mean-squared-error-mse-sopopular-4320d5f003e5.
4. Robert H. Shumway, Devid S. Stoffer. Time Series Analysis and Its Applications: With R Examples.
Springer. Springer Texts in Statistics. 2017. 562 p.
5. Бідюк П. І., Гуць Є. В., Гавриленко В. В., Рудоман Н. В. Прогнозування цін акцій з використанням
рекурентної нейронної мережі LSTM. Системи управління, навігації та зв'язку, 2021, 3(65). С. 64-68.
https://doi.org/ 10.26906/SUNZ.2021.3.064
6. Замрій І.В., Федоренко М. Л. Аналіз використання алгоритмів штучного інтелекту для глибокого
аналізу фінансових даних. Сучасний захист інформації, 3(59), 2024. С. 55–62. https://doi.org/10.31673/2409-
7292.2024.030005
7. Xinhui Li. Application of Neural Networks in Financial Time Series Forecasting Models. Journal of Function
Spaces 2022(3):1-9. https://doi.org/10.1155/2022/7817264
8. Kady Sako, Berthine Nyunga Mpinda, Paulo Canas Rodrigues. Neural Networks for Financial Time Series
Forecasting. Entropy 2022, 24(5), 657; https://doi.org/10.3390/e24050657
9. Пархоменко Б. М., Акименко А. М. Використання інформаційних моделей для прогнозування
поведінки фінансових показників. Технічні науки та технології. 2024. № 2(36). С. 173-180.
https://doi.org/10.25140/2411-5363-2024-2(36)-173-180
10. Олександра Манзій О., Сеник Ю., Пелех В., Сеник А., Андрейчук С. Використання нейронних мереж
для задач інвестиційного аналізу. Галицький економічний вісник, № 2 (87) 2024. С. 164-174.
11. Christopher Krauss, Xuan Anh Do, Nicolas Huck. Deep neural networks, gradient-boosted trees, random
forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research. Volume 259, Issue 2, 2017, рр.
689-702. https://doi.org/10.1016/j.ejor.2016.10.031
12. David M. Q. Nelson; Adriano C. M. Pereira; Renato A. de Oliveira. Stock market's price movement
prediction with LSTM neural networks. 2017 International Joint Conference on Neural Networks (IJCNN). Anchorage,
AK, USA, 2017, pp. 1419-1426, https://doi.org/10.1109/IJCNN.2017.7966019.
13. Fischer T. Deep learning with long short-term memory networks for financial market predictions. European
Journal of Operational Research. Volume 270, Issue 2, 16 October 2018, рр. 654-669.
https://doi.org/10.1016/j.ejor.2017.11.054
14. Kelum Gajamannage, Yonggi Park, Dilhani I. Jayathilake. Real-time forecasting of time series in financial
markets using sequentially trained dual-LSTMs. Expert Systems with Applications. 2023, Volume 223, 119879,
https://doi.org/10.1016/j.eswa.2023.119879.