Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/32408
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Андрианов Сергей Николаевич | ru_RU |
dc.contributor.advisor | Andrianov Sergej Nikolaevic | en_GB |
dc.contributor.author | Сардарян Армен Саргисович | ru_RU |
dc.contributor.author | Sardaran Armen Sargisovic | en_GB |
dc.contributor.editor | Козынченко Владимир Александрович | ru_RU |
dc.contributor.editor | Kozyncenko Vladimir Aleksandrovic | en_GB |
dc.date.accessioned | 2021-08-07T09:11:34Z | - |
dc.date.available | 2021-08-07T09:11:34Z | - |
dc.date.issued | 2021 | |
dc.identifier.other | 062287 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/32408 | - |
dc.description.abstract | В выпускной квалификационной работе рассматриваются 2 подхода к решению задачи прогнозирования изменения фондового индекса: авторегрессионный и нейросетевой. Задача прогнозирования была сформулирована в виде задачи классификации. Авторегрессионный подход представляет из себя реализацию модели авторегрессионного скользящего среднего с последующей классификацией спрогнозированных значений. Нейросетевой подход - построение и обучение свёрточной нейронной сети на изображениях, полученных с помощью методов кодирования временных рядов Gramian Angular Field, Moving Average Mapping и Double Moving Average Mapping. Все построенные модели сравниваются по метрикам оценки качества классификаций. Авторегрессионный подход показал лучшие результаты на тестовых данных. Среди нейросетевых методов многоканальные модели, комбинирующие несколько кодировщиков, показали более высокое качество по сравнению с одноканальными, что означает, что их использование действительно может быть полезным. | ru_RU |
dc.description.abstract | In the final qualifying work, 2 approaches of solving the problem of forecasting stock index changes are considered: autoregressive and neural network. The forecasting problem was formulated as a classification task. The autoregressive approach is the implementation of an autoregressive moving average model with the subsequent classification of the predicted values. Neural network approach is the construction and training a convolutional neural network that uses images obtained by using time series encoding methods, such as Gramian Angular Field, Moving Average Mapping and Double Moving Average Mapping. All constructed models are compared according to the metrics for assessing the quality of classifications. The autoregressive approach showed the best results on test datasets. Among neural network methods, multichannel models, which are combining several encoding methods, have shown higher quality compared to single-channel ones, which means that they are really can be useful. | en_GB |
dc.language.iso | ru | |
dc.subject | фондовый индекс | ru_RU |
dc.subject | прогнозирование | ru_RU |
dc.subject | финтех | ru_RU |
dc.subject | классификация | ru_RU |
dc.subject | глубокое обучение | ru_RU |
dc.subject | свёрточные нейронные сети | ru_RU |
dc.subject | Gramian Angular Field | ru_RU |
dc.subject | Moving Average Mapping | ru_RU |
dc.subject | stock index | en_GB |
dc.subject | forecasting | en_GB |
dc.subject | fintech | en_GB |
dc.subject | classification | en_GB |
dc.subject | deep learning | en_GB |
dc.subject | convolutional neural network | en_GB |
dc.subject | Gramian Angular Field | en_GB |
dc.subject | Moving Average Mapping | en_GB |
dc.title | Forecasting stock indices using machine learning methods | en_GB |
dc.title.alternative | Прогнозирование фондовых индексов с использованием методов машинного обучения | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
VKR_Sardaran_Armen_Sargisovic.pdf | Article | 1,55 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_otzyv_Sardaran.pdf | ReviewSV | 594,64 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.