Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM
| dc.contributor.author | Перцев, Юрій Олексійович | uk_UA |
| dc.contributor.author | Коротка, Лариса Іванівна | uk_UA |
| dc.date.accessioned | 2025-04-06T17:01:27Z | |
| dc.date.available | 2025-04-06T17:01:27Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | UKR: У статті здійснено порівняльний аналіз традиційних статистичних методів (ARIMA, SARIMA) та сучасного підходу на основі глибокого навчання (LSTM) для прогнозування часових рядів на фінансових ринках. Аналіз зосереджено на дослідженні ефективності кожної моделі у прогнозуванні ціни закриття акцій компанії Apple (NASDAQ: AAPL). Вибір моделей обумовлений їх широким застосуванням у фінансовому аналізі: ARIMA добре підходить для стаціонарних часових рядів, SARIMA дозволяє враховувати сезонні коливання, а LSTM здатна розпізнавати нелінійні залежності та довготривалі тренди. Для дослідження використано історичні дані про ціну закриття акцій AAPL за період із 01.01.2023 по 20.01.2025, отримані через сервіс yfinance. Експериментальне моделювання проводилося з метою порівняння точності прогнозування на основі таких мет-рик, як середня абсолютна похибка (MAE), середньоквадратична похибка (MSE), корінь середньоквадратичної похибки (RMSE) та середня абсолютна відносна похибка (MAPE). Результати аналізу показали, що модель LSTM забезпечує найкращу точність прогнозування завдяки здатності продуктивно моделювати складні патерни у часових рядах. SARIMA також продемонструвала високу ефективність у прогнозуванні, особливо для даних із вираженою сезонною складовою, перевершуючи ARIMA за точністю. Водночас ARIMA продемонструвала найгірші результати через обмежену здатність адаптуватися до сезонності та нелінійних залежностей. Одержані висновки можуть бути корисними для аналітиків, інвесторів та дослідників, що займаються фінансовим прогнозуванням. Робота містить практичні ре-комендації щодо вибору моделі залежно від характеристик даних і потреб прогнозування, а також висвітлює сильні та слабкі сторони кожного підходу. | uk_UA |
| dc.description.abstract | ENG: This paper presents a comparative analysis of traditional statistical methods (ARIMA, SARIMA) and a modern deep learning approach (LSTM) for financial time series forecasting. The study focuses on evaluating the efficiency of each modeling predicting the closing price of Apple Inc. (NASDAQ: AAPL) stock. These models were selected due to their widespread use in financial analysis: ARIMA is suitable for stationary time series, SARIMA accounts for seasonal variations, and LSTM excels at capturing nonlinear dependencies and long-term trends. The study is based on historical closing price data of AAPL stock from January 1, 2023, to January 20, 2025, obtained via the yfinance service. The experimental modeling aimed to compare the forecasting accuracy of each method using key performance metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results indicate that the LSTM model outperforms ARIMA and SARIMA in forecasting accuracy due to its ability to efficiently model complex patterns in time series. SARIMA also demonstrated strong predictive capabilities, particularly for data with distinct seasonal components, surpassing ARIMA in accuracy. However, ARIMA yielded the lowest accuracy due to its limitations in capturing seasonality and nonlinear dependencies. These findings provide valuable insights for analysts, investors, and researchers involved in financial forecasting. The study offers practical recommendations on model selection based on data characteristics and forecasting requirements, as well as an overview of the strengths and limitations of each approach. | en |
| dc.identifier.citation | Перцев Ю. О., Коротка Л. І. Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM. Системні технології. Дніпро, 2025. Т. 1, № 156. С. 65–77. DOI: https://doi.org/10.34185/1562-9945-1-156-2025-08. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1562-9945-1-156-2025-08 | en |
| dc.identifier.issn | 1562-9945 (Print) | |
| dc.identifier.issn | 2707-7977 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/st/article/view/1945 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20020 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро | uk_UA |
| dc.subject | прогнозування часових рядів | uk_UA |
| dc.subject | фінансові ринки | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | нейронні мережі | uk_UA |
| dc.subject | оцінка точності | uk_UA |
| dc.subject | фондовий ринок | uk_UA |
| dc.subject | моделювання даних | uk_UA |
| dc.subject | time series forecasting | en |
| dc.subject | ARIMA | en |
| dc.subject | SARIMA | en |
| dc.subject | LSTM | en |
| dc.subject | financial markets | en |
| dc.subject | machine learning | en |
| dc.subject | neural networks | en |
| dc.subject | accuracy assessment | en |
| dc.subject | stock market | en |
| dc.subject | data modeling | en |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM | uk_UA |
| dc.title.alternative | Comparative Analysis of Traditional Statistical Methods and the LSTM Neural Network Model | en |
| dc.type | Article | en |