Целью исследования является исследование применимости нейронных сетей в цифровых организациях на примере задачи прогнозирования стоимости валют. Исследование выполнялось на базе данных о стоимостях валют с официального сайта ЦБ РФ. Предмет ВКР — это прогнозные модели на основе нейронных сетей. Методы исследования: основные общенаучные методы исследования, а также специальные методы прогнозного моделирования. Основные результаты исследования: - изучена роль анализа и прогнозирования данных для цифровых предприятий; - изучены и описаны классические методы прогнозирования; - изучены и описаны модели прогнозирования на основе нейронных сетей; - проведён сбор и выполнена предобработка исходных данных, в результате которой были построены модели прогнозирования стоимости валют; - на основе полученных моделей, были спрогнозированы изменения стоимости валют в будущем; - был проведен анализ показателей эффективности полученных моделей и выбрана лучшая модель. Область применения результатов ВКР: планирование и принятие эффективных решений в области финансов на основе прогнозных моделей изменения стоимостей валют. Научной новизной являются разработанные модели на основе нейронных сетей для прогнозирования стоимостей валют Выводы. Задачи ВКР решены, цель достигнута, определена область применения результатов. Обоснованы перспективы и направления дальнейшего развития исследования. Полученные результаты обладают признаками научной новизны.

The purpose of the research is to investigate the applicability of neural networks in digital organisations using the currency value prediction task as an example. The research was carried out on the basis of the data on currency values from the official website of the Central Bank of the Russian Federation. The subject of the thesis are predictive models based on neural networks. Research methods: basic general scientific methods of research, as well as special methods of predictive modelling. The main results of the study: - explored the role of data analysis and forecasting for digital enterprises; - classical forecasting methods are studied and described; - neural network-based prediction models were studied and described; - collected and preprocessed raw data, which resulted in the construction of currency value forecasting models; - on the basis of the obtained models, changes in the value of currencies in the future were forecasted; - the efficiency indicators of the obtained models were analysed and the best model was selected. The field of application of results planning and making effective financial decisions based on forecast models of changes in currency values. The scientific novelty is developed models based on neural networks for forecasting currency values Conclusions. The objectives of the research are solved, the goal is achieved, the scope of application of the results is determined. Prospects and directions of further development of the research are substantiated. The obtained results have signs of scientific novelty.

• ЗАДАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1. УПРАВЛЕНИЕ ДАННЫМИ В ЦИФРОВОЙ ОРГАНИЗАЦИИ
  • 1.1 Важность данных в современной цифровой организации
  • 1.2 Типы данных и их использование
  • 1.3 Текущие вызовы и проблемы управления данными
  • 1.4 Значение прогнозирования для бизнеса
• ГЛАВА 2. АНАЛИЗ КЛАССИЧЕСКИХ МЕТОДОВ ПРОГНОЗНОЙ АНАЛИТИКИ ВРЕМЕННЫХ РЯДОВ
  • 2.1 Основы временных рядов и их применение
  • 2.2 Метод скользящего среднего (Moving Average)
  • 2.3 Автокорреляционная модель (AR)
  • 2.4 Автокорреляционная интегрированная модель скользящего среднего (ARIMA)
  • 2.5 Векторная авторегрессия (VAR)
  • 2.6 Сравнение и ограничения классических методов
• ГЛАВА 3. АНАЛИЗ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗНОЙ АНАЛИТИКИ
  • 3.1 Общие сведения о нейронных сетях
  • 3.2 Прогнозная аналитика
  • 3.3 Рекуррентные нейронные сети (RNN)
  • 3.4 Нейронные сети с долгой краткосрочной памятью
  • 3.5 Архитектура и работа GRU нейросетей
• ГЛАВА 4. ПРОГНОЗИРОВАНИЕ СТОИМОСТИ ВАЛЮТ
  • 4.1 Постановка задачи
  • 4.2 Предобработка данных
  • 4.3 Прогнозирование с помощью RNN
  • 4.4 Прогнозирование с помощью LSTM
  • 4.5 Прогнозирование с помощью GRU
  • 4.6 Сравнение прогнозных моделей на основе нейронных сетей
  • 4.7 Прогнозирование с помощью ARIMA
  • 4.8 Прогнозирование с помощью VAR
  • 4.9 Сравнение прогнозных моделей на основе нейронных сетей с классическими методами
  • 4.10 Улучшение прогнозной модели GRU
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• СВЕДЕНИЯ ОБ УЧАСТИИ АВТОРА В НАУЧНОЙ РАБОТЕ
• ПРИЛОЖЕНИЕ А
• ПРИЛОЖЕНИЕ Б
• ПРИЛОЖЕНИЕ В
• ПРИЛОЖЕНИЕ Г
• ПРИЛОЖЕНИЕ Д
• ПРИЛОЖЕНИЕ Е