Модель та засоби прогнозування ризиків фондових індексів із використанням методів машинного навчання.
Автор: Голуб Остап Ігорович
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні управляючі системи та технології
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: англійська
Анотація: Актуальність. Сучасні фінансові ринки характеризуються підвищеною мінливістю та високим рівнем невизначеності, що посилюється глобальними економічними і політичними процесами. Використання алгоритмів машинного навчання (ML) та штучного інтелекту (AI) відкриває можливість глибшого аналізу часових рядів і підвищення точності прогнозів у динамічних умовах ринку. Об’єкт дослідження є процес прогнозування ризиків фондових індексі із використанням методів машинного навчання. Предмет дослідження - моделі та засоби прогнозування ризиків фондових індексів із використанням алгоритмів машинного навчання та штучного інтелекту, способи оцінювання їхньої ефективності. Мета дослідження - розробити та дослідити модель прогнозування ризику фондових індексів, що базується на сучасних ML/AI-підходах, а також створити програмний інструмент. Структура роботи. Магістерська робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел та додатків. У першому розділі проведено аналіз наукових підходів, методів і систем автоматичного розпізнавання жестів, виконано системний аналіз і сформульовано основні вимоги до системи. У другому розділі виконано постановку задачі, обґрунтовано вибір методів та моделей розпізнавання, розроблено концептуальну модель системи. У третьому розділі розроблено архітектуру програмного забезпечення, описано основні модулі та схеми взаємодії, представлено реалізацію прототипу системи. У четвертому розділі наведено результати експериментальних досліджень, оцінено точність та ефективність роботи моделі. Методи та інструменти дослідження. У роботі застосовано методи машинного навчання (Random Forest, XGBoost, LSTM) у поєднанні з економетричними підходами (GARCH, HAR-RV). Технічна реалізація здійснюється мовою Python із використанням бібліотек pandas, NumPy, scikit-learn, TensorFlow та arch. Для підвищення достовірності результатів використано схему ковзного прогнозування (rolling forecast), що дає змогу перевіряти стабільність моделей у часі. Наукова новизна. Гібридну модель прогнозування ризику, яка поєднує машинне навчання та економетричні методи, отримала подальший розвиток у напрямку збільшення вхідних ознак та підвищення точності. Результати експериментальної перевірки можуть бути використані в аналітичних системах ризик-менеджменту, у діяльності фінансових компаній і навчальному процесі. Повний обсяг роботи складає 98 сторінок, в тому числі 72 сторінок основного тексту, 16 рисунків і 14 таблиць. Список використаних джерел налічує 27 найменувань. Ключові слова: фондовий індекс, прогнозування ризику, машинне навчання, штучний інтелект, волатильність, Value at Risk, економетричне моделювання, Python.