| Popis: |
Магістерська дисертація: 102 с., 28 табл., 19 рис., 27 джерел, 3 додатки. Об’єктом дослідження є фінансові процеси на ринках цінних паперів та методи їх прогнозування. Предмет дослідження – гібридні мережі глибокого навчання на основі самоорганізації та оцінка їх ефективності в задачах прогнозування на фінансових ринках. Мета дослідження полягає в оцінці точності гібридних мереж глибокого навчання у задачі прогнозування на фінансових ринках, порівнянні їх ефективності на різних інтервалах з нейронною мережею LSTM та визначенні класів задач прогнозування, для яких застосування відповідних обчислювальних інтелектуальних технологій є найбільш перспективним. Запропоновано та розроблено систему для оптимізації параметрів і синтезу структури гібридних мереж глибокого навчання, а також візуалізації результатів навчання та прогнозування. Експериментальним шляхом доведено ефективність запропонованої системи. Master's thesis: 102 p., 28 tabl., 19 fig., 27 ref., 3 appendices. HYBRID DEEP LEARNING NETWORK, GMDH-NEO-FUZZY, OPTIMIZATION, STRUCTURE SYNTHESIS, LSTM, SHORT-TERM FORECASTING, MIDDLE-TERM FORECASTING, FINANCIAL MARKETS. The object of the research is financial processes in securities markets and methods of their forecasting. The subject of the research is hybrid deep learning networks based on self- organization and evaluation of their effectiveness in forecasting tasks in financial markets. The purpose of the study is to assess the accuracy of hybrid deep learning networks in the task of forecasting financial markets, compare their effectiveness at different intervals with the LSTM neural network, and determine the classes of forecasting tasks for which the application of appropriate computational intelligence technologies is the most promising. A system for parameter optimization and synthesis of the structure of hybrid deep learning networks, as well as visualization of learning and forecasting results, is proposed and developed. The effectiveness of the proposed system has been proven experimentally. |
