Глибоке навчання у фінансовому аналізі: застосування LSTM та GAN для прогнозування цін акцій
| dc.contributor.author | Перцев, Юрій Олексійович | uk_UA |
| dc.contributor.author | Коротка, Лариса Іванівна | uk_UA |
| dc.date.accessioned | 2025-05-25T15:43:22Z | |
| dc.date.available | 2025-05-25T15:43:22Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | UKR: Прогнозування цін на акції є важливим аспектом фінансової аналітики, що допомагає інвесторам приймати зважені рішення. У роботі розглядаються традиційні методи прогнозування, такі як технічний аналіз (ковзні середні SMA, EMA) та статистичні моделі (ARIMA, експоненційне згладжування). Аналізуються їхні переваги та обмеження, зокрема труднощі у відображенні складних ринкових закономірностей. Для підвищення точності прогнозування пропонується використання сучасних підходів машинного навчання, зокрема нейронних мереж LSTM та генеративно-змагальних нейромереж (GANs). Описано архітектуру GAN та її здатність моделювати ринкову динаміку навіть за обмеженості історичних даних. Проведене дослідження базується на реальних біржових даних (ціни акцій AAPL), а результати порівнюються з методами ARIMA та LSTM, що підтверджує ефективність запропонованого підходу. | uk_UA |
| dc.description.abstract | ENG: Stock price prediction is a crucial aspect of financial analytics, helping investors make informed decisions. This study examines traditional forecasting methods, such as technical analysis (moving averages SMA, EMA) and statistical models (ARIMA, exponential smoothing). Their advantages and limitations are analyzed, particularly the challenges in capturing complex market patterns. To improve prediction accuracy, the use of modern machine learning approaches is proposed, specifically Long Short-Term Memory (LSTM) networks and Generative Adversarial Networks (GANs). The GAN architecture and its ability to model market dynamics even with limited historical data are described. The research is based on real stock market data (AAPL stock prices), and the results are compared with ARIMA and LSTM methods, confirming the effectiveness of the proposed approach. | en |
| dc.description.sponsorship | ННІ "Український державний хіміко-технологічний університет", Дніпро | uk_UA |
| dc.identifier.citation | Перцев Ю. О., Коротка Л. І. Глибоке навчання у фінансовому аналізі: застосування LSTM та GAN для прогнозування цін акцій. Інформаційні технології в металургії та машинобудуванні – ІТММ’2025 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 23-24 березня 2025 р.). Дніпро, 2025. C. 589–593. DOI: 10.34185/1991-7848.itmm.2025.01.106. | uk_UA |
| dc.identifier.doi | 10.34185/1991-7848.itmm.2025.01.106 | |
| dc.identifier.issn | 2708-0102 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/itmm/article/view/2175 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20344 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ІВК «Системні технології», Дніпро | uk_UA |
| dc.subject | прогнозування часових рядів | uk_UA |
| dc.subject | time series forecasting | en |
| dc.subject | SMA | en |
| dc.subject | EMA | en |
| dc.subject | ARIMA | en |
| dc.subject | LSTM | en |
| dc.subject | GANs | en |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.subject.classification | SOCIAL SCIENCES::Business and economics | en |
| dc.title | Глибоке навчання у фінансовому аналізі: застосування LSTM та GAN для прогнозування цін акцій | uk_UA |
| dc.title.alternative | Deep Learning in Financial Analysis: Application of LSTM and GANs for Stock Price Prediction | en |
| dc.type | Thesis | en |