Розробка гібридної моделі штучного інтелекту для прогнозування фінансових ринків
DOI:
https://doi.org/10.18523/2617-3808.2025.8.38-42Ключові слова:
прогнозування часових рядів, баєсівські нейронні мережі, фінансовий аналіз, невизначеність, пошук аномалій, аналіз настроївАнотація
У статті досліджено можливості гібридного підходу до прогнозування фінансових ринків із застосуванням методів штучного інтелекту. Основну увагу приділено аналізу впливу різних архітектур моделей та наборів ознак на якість прогнозування часових рядів у фінансовому середовищі з високою невизначеністю. Запропоновано поєднання традиційних статистичних моделей, простих нейронних мереж та баєсівських нейронних мереж для моделювання як прогнозного значення, так і масштабної невизначеності. Особливу увагу приділено інженерії ознак, зокрема інтеграції макроекономічних індикаторів, технічних показників, а також поведінкових сигналів на основі аналізу настроїв з Twitter. Результати експериментів показують, що хоча лінійні моделі досягають найменшої середньоквадратичної помилки, саме баєсівські нейронні мережі забезпечують надійніші прогнози завдяки врахуванню невизначеності. Аналіз підтверджує ефективність нашої інженерії ознак та демонструє потенціал поєднання кількісних і якісних даних у фінансовому прогнозуванні.
Посилання
- Barbieri F., Camacho-Collados, J., Espinosa Anke, L., & Neves, L. (2025). Twitter-roBERTa-base for sentiment analysis. Hugging Face. Retrieved May 25, 2025. https://huggingface.co/cardiffnlp/twitter-roberta-base-sentiment.
- Borch. (2025). Tutorials and contribution guides. Borch Documentation. Retrieved May 25, 2025. https://borch.readthedocs.io/en/latest/index.html.
- Federal Reserve Bank of St. Louis. (2025). Federal Reserve Bank of St. Louis website. Retrieved May 25, 2025. https://www.stlouisfed.org/.
- Hauzenberger, N., Huber, F., Klieber, K., & Marcellione, M. (2022). Enhanced Bayesian neural networks for macroeconomics and finance [Preprint]. arXiv. https://arxiv.org/abs/2211.04752v2.
- Kirtac, K., & Germano, G. (2024). Sentiment trading with large language models [Preprint]. arXiv. https://arxiv.org/abs/2412.19245.
- Lewis, B., Gudmundsson, J., & Green Borch, M. (2022). A deep universal probabilistic programming language [Preprint]. arXiv. https://arxiv.org/abs/2209.06168.
- MLflow. (2025). An open source platform for the machine learning lifecycle. Retrieved May 25, 2025. https://mlflow.org/docs/latest/index.html.
- OpenAI. (2025). Assistants API overview. OpenAI Platform. Retrieved May 25, 2025. https://platform.openai.com/docs/assistants/overview.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 M. Voitishyn, D. Kuzmenko
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з такими умовами:
а) Автори зберігають за собою авторські права на твір на умовах ліцензії CC BY 4.0 Creative Commons Attribution International License, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.
б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.
в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)
г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
