| Popis: |
Дипломна робота: 80 с., 6 табл., 37 рис., 2 дод.та 20 джерел. Тема роботи — засоби прогнозування індексу акцій на основі апарата штучних нейронних мереж. Об’єкт дослідження — дані про ціни акцій компанії Facebook з моменту її заснування і по сьогоднішній день (з 18 травня 2012 року до 1 червня 2020 року). Предмет досліджень — багатошарова нейронна мережа, згорткова нейронна мережа та мережа довгої короткочасної пам’яті, які використовуються для аналізу ціни акцій. Мета роботи — розглянути базові архітектури нейронних мереж для прогнозування ціни акцій. Побудувати декілька з них та визначити яка з них є найкращою для поставленої задачі. Дослідити, як можна покращити результат у майбутньому. Актуальність — використання апарату штучних нейронних мереж дає змогу робити більш точні передбачення ціни акцій порівнюючи з іншими технічними методами. Вони дають можливість обробити і знайти закономірність у великому обсязі інформації, а також вони швидко адаптуються під нові умови. В ході виконання роботи було реалізовано декілька ахітектур нейронних мереж та проведено аналіз результатів їх роботи. Для покращення результатів у майбутньому можна застосувати Keras Tuner, який автоматично підбирає гіперпараметри нейронної мережі. Також можна спробувати використовувати не тільки дані фінальної ціни акції, а й інші з тих, що наявні у наборі. За можливості краще мати дані про зміну ціни впродовж дня. Це б дало змогу покращити прогноз та оперативніше реагувати. Thesis contains: 80 p., 6 tables, 37 fig., 2 add. and 20 references. The theme: The mechanisms for stock market index prediction based on artificial neural networks. The object of this research is a dataset with daily values of stock prices of Facebook company from a launch day till today. The subjects of this research are neural network architectures: multilayer neural network, convolutional neural network, long short-term memory. The purpose of this work is to build and analyze which neural network architecture that is used in order to forecast stock market value suits the best for the given case. Consider which steps could improve forecasting results in the future. The relevance of this topic is that using neural networks could drastically improve stock market values forecasting comparing to other technical methods. Using neural networks allows to process a huge amount of data and find some invisible patterns in it. Also, it allows quickly adapt to new conditions. During research I built three architectures of neural networks and analyzed which of them work better with the given case. For further research, it is possible to use Keras Tuner which allows to automatically tune hyperparameters on our neural network and improve output result. Also, it is possible to use other data columns available in the dataset. Another good idea is to use data for shorter than day periods of time. |
