Details

Предметом исследования является анализ методов прогнозирования финансовых временных рядов и реализация модели на основе наиболее точного метода. Цель исследования – разработать модель для прогнозирования финансовых временных рядов. В работе используются такие методы как эксперимент, измерение и сравнение. В ходе работы были изучены научные работы в данной области, даны общие понятия и описаны наиболее популярные методы прогнозирования финансовых временных рядов. Проведено сравнение точности прогнозов моделей на основе данных методов и выявлено, что наиболее точный прогноз имеет модель на основе искусственной нейронной сети с двумя слоями GRU. Была разработана и обучена модель и функции для подготовки данных, была оценена точность прогноза модели на различных данных. В ходе экспериментального анализа модель была встроена в сервис для прогнозирования. В результате выполнения работы были получены экспериментальные данные,  показывающие, что модели на основе искусственных нейронных сетей и методов машинного обучения могут прогнозировать финансовые временные ряды точнее, чем классические авторегрессионные модели. На практике полученные результаты могут применяться в области управления рисками, а также в дальнейших исследованиях в области прогнозирования финансовых временных рядов.

The subject of the study is an analysis of financial time series forecasting methods and implementing of model based on the most accurate method. The propose of the study is to develop a model for financial time series forecasting. The work uses such methods as experiment, measurement and comparison. In the course of the work, scientific works in this field were studied, general concepts were given and the most popular methods of forecasting financial time series were described. A comparison of the accuracy of model predictions based on these methods was carried out, it was revealed that the most accurate forecast has a model based on an artificial neural network with two layers of GRU. A model and functions for data preparation were developed and trained, and the accuracy of the model prediction on various data was evaluated. During the experimental analysis, the model was integrated into the forecasting service. As a result of the work, experimental data were obtained showing that model based on neural networks and machine learning can forecast financial time series more accurate than classical autoregressive models. In practice, the obtained results can be applied in the field of risk management as well as in further research in the field of forecasting financial time series.