Моделі для аналізу та прогнозування ціни акцій на фондовій біржі
DOI:
https://doi.org/10.20535/1560-8956.45.2024.313196Ключові слова:
інтелектуальний аналіз даних, модель прогнозування, часовий ряд, LSTM, decision tree, ARIMA, метрики точностіАнотація
Робота присвячена аналізу та прогнозуванню курсів акцій для чотирьох провідних технологічних компаній: Nvidia, Apple, Google та Netflix. Ці компанії є лідерами у своїх галузях та мають значний вплив на світову економіку. Метою є дослідження залежностей, що впливають на курси акцій компаній, а також розробка моделей для прогнозування майбутніх тенденцій. У роботі проведено ґрунтовний аналіз історичних даних курсів акцій компаній, їх макроекономічні показники. Дослідження базувалось на фундаментальних поняттях економічної науки. Для задачі прогнозування курсу акцій на фондовому ринку було обрано методи: LSTM, дерева рішень та ARIMA. Ці методи доповнюють один одного і дозволяють отримати комплексний підхід до аналізу та прогнозування фінансових даних. Результати роботи показали, що модель LSTM продемонструвала найкращу продуктивність для прогнозування курсів акцій, особливо для компаній з відносно стабільною динамікою, як Google. Дерева рішень також показали прийнятні результати для деяких компаній, але поступалися LSTM для більш волатильних часових рядів. Модель ARIMA виявилася неефективною для даної задачі через її лінійну природу та нездатність охопити складні нелінійні ефекти у фінансових даних. Отримані результати можуть бути використані як інвесторами, так і самими компаніями для прийняття більш обґрунтованих рішень та розробки ефективних стратегій. Очікується, що результати дослідження дозволять отримати глибше розуміння майбутніх перспектив цих компаній.
Бібл. 11, іл. 7, табл. 1.
Посилання
Перспективи світової економіки у 2023 році. [Електронний ресурс] – URL: https://niss.gov.ua/doslidzhennya/mizhnarodni-vidnosyny/perspektyvy-svitovoyiekonomiky-u-2023-rotsi
Best Overall: Economics in One Lesson. Henry Hazlitt 1988. [Електронний ресурс] – URL: https://books.google.com.ua/books/about/Economics_in_One_Lesson.html?id=TOCNEAAAQBAJ&redir_esc=y
Kaggle.Datasets [Електронний ресурс] – URL: https://www.kaggle.com/datasets/prajwaldongre/nvidia-corp-share-price-2000-2024?rvi=1
Kaggle.Datasets [Електронний ресурс] – URL: https://www.kaggle.com/datasets/nikhil1e9/netflix-stock-price?select=GOOGLE_daily.csv
Kaggle.Datasets [Електронний ресурс] – URL: https://www.kaggle.com/datasets/nikhil1e9/netflix-stock-price?select=APPLE_daily.csv
Kaggle.Datasets [Електронний ресурс] – URL: https://www.kaggle.com/datasets/nikhil1e9/netflix-stock-price?select=NETFLIX_daily.csv
Документація бібліотеки Pandas. [Електронний ресурс] – URL: https://pandas.pydata.org/docs/
Документація бібліотеки Matplotlib. [Електронний ресурс] – URL: https://matplotlib.org/stable/
LSTMs Explained: A Complete, Technically Accurate, Conceptual Guide with Keras. [Електронний ресурс] – URL: https://medium.com/analytics-vidhya/lstms-explained-a-complete-technically-accurate-conceptual-guide-with-keras-2a650327e8f2
Decision Trees in Machine Learning. [Електронний ресурс] – URL: https://www.coursera.org/articles/decision-tree-machine-learning
What is an ARIMA model? [Електронний ресурc] – URL: https://towardsdatascience.com/what-is-an-arima-model-9e200f06f9eb
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.