Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій
The article investigates the problem of forecasting market share dynamics using modern machine learning methods. The high volatility of financial markets and a significant level of uncertainty make the use of automated intelligent systems relevant for increasing forecasting accuracy and optimizing i...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , , , , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Vinnytsia National Technical University
2025
|
| Теми: | |
| Онлайн доступ: | https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/768 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Optoelectronic Information-Power Technologies |
Репозитарії
Optoelectronic Information-Power Technologies| id |
oai:oeipt.vntu.edu.ua:article-768 |
|---|---|
| record_format |
ojs |
| institution |
Optoelectronic Information-Power Technologies |
| baseUrl_str |
|
| datestamp_date |
2025-06-19T11:44:36Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
прогнозування динаміки ринкових акцій інтелектуальний аналіз даних машинне навчання моделі Prophet LSTM метод Монте-Карло оцінка ризиків фінансовий ринок. |
| spellingShingle |
прогнозування динаміки ринкових акцій інтелектуальний аналіз даних машинне навчання моделі Prophet LSTM метод Монте-Карло оцінка ризиків фінансовий ринок. Угрин, Д.І. Ушенко, Ю.О. Томка, Ю.Я. Газдюк, К.П. Дворжак, В.В. Білобрицький, Д.А. Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| topic_facet |
forecasting market share dynamics data mining machine learning Prophet models LSTM Monte Carlo method risk assessment financial market. прогнозування динаміки ринкових акцій інтелектуальний аналіз даних машинне навчання моделі Prophet LSTM метод Монте-Карло оцінка ризиків фінансовий ринок. |
| format |
Article |
| author |
Угрин, Д.І. Ушенко, Ю.О. Томка, Ю.Я. Газдюк, К.П. Дворжак, В.В. Білобрицький, Д.А. |
| author_facet |
Угрин, Д.І. Ушенко, Ю.О. Томка, Ю.Я. Газдюк, К.П. Дворжак, В.В. Білобрицький, Д.А. |
| author_sort |
Угрин, Д.І. |
| title |
Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_short |
Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_full |
Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_fullStr |
Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_full_unstemmed |
Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_sort |
гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій |
| title_alt |
Agile risk management methodologies in the life cycle of an intelligent system for forecasting solutions of market share dynamics |
| description |
The article investigates the problem of forecasting market share dynamics using modern machine learning methods. The high volatility of financial markets and a significant level of uncertainty make the use of automated intelligent systems relevant for increasing forecasting accuracy and optimizing investment strategies. The proposed system combines Prophet and LSTM (Long Short-Term Memory) machine learning models for time series analysis, as well as the Monte Carlo method for risk assessment. An algorithm for collecting, cleaning, and preprocessing financial data has been developed, which includes obtaining historical stock prices from the Yahoo Finance platform, normalization, eliminating outliers, and forming training samples. The system architecture consists of modules for collecting and processing data, building forecasting models, and assessing risks. An experimental study of the effectiveness of the proposed methods based on real financial data was conducted. A comparative analysis of forecasting accuracy showed that using LSTM allows achieving an average accuracy of 92.4%, while Prophet demonstrates an accuracy of 88.7%. Risk assessment using the Monte Carlo method allowed us to determine the probability of extreme changes in asset values and their impact on the investment portfolio. The results obtained confirm the feasibility of using the proposed system for forecasting financial markets. Further research will focus on improving the accuracy of the models by integrating additional macroeconomic indicators and improving adaptive mechanisms for setting forecasting parameters. |
| publisher |
Vinnytsia National Technical University |
| publishDate |
2025 |
| url |
https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/768 |
| work_keys_str_mv |
AT ugrindí agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT ušenkoûo agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT tomkaûâ agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT gazdûkkp agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT dvoržakvv agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT bílobricʹkijda agileriskmanagementmethodologiesinthelifecycleofanintelligentsystemforforecastingsolutionsofmarketsharedynamics AT ugrindí gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj AT ušenkoûo gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj AT tomkaûâ gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj AT gazdûkkp gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj AT dvoržakvv gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj AT bílobricʹkijda gnučkímetodologííupravlínnârizikamivžittêvomuciklííntelektualʹnoísistemiprognozuvannâríšenʹdinamíkirinkovihakcíj |
| first_indexed |
2025-09-24T17:29:40Z |
| last_indexed |
2025-09-24T17:29:40Z |
| _version_ |
1850410282465099776 |
| spelling |
oai:oeipt.vntu.edu.ua:article-7682025-06-19T11:44:36Z Agile risk management methodologies in the life cycle of an intelligent system for forecasting solutions of market share dynamics Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій Угрин, Д.І. Ушенко, Ю.О. Томка, Ю.Я. Газдюк, К.П. Дворжак, В.В. Білобрицький, Д.А. forecasting market share dynamics, data mining, machine learning, Prophet models, LSTM, Monte Carlo method, risk assessment, financial market. прогнозування динаміки ринкових акцій, інтелектуальний аналіз даних, машинне навчання, моделі Prophet, LSTM, метод Монте-Карло, оцінка ризиків, фінансовий ринок. The article investigates the problem of forecasting market share dynamics using modern machine learning methods. The high volatility of financial markets and a significant level of uncertainty make the use of automated intelligent systems relevant for increasing forecasting accuracy and optimizing investment strategies. The proposed system combines Prophet and LSTM (Long Short-Term Memory) machine learning models for time series analysis, as well as the Monte Carlo method for risk assessment. An algorithm for collecting, cleaning, and preprocessing financial data has been developed, which includes obtaining historical stock prices from the Yahoo Finance platform, normalization, eliminating outliers, and forming training samples. The system architecture consists of modules for collecting and processing data, building forecasting models, and assessing risks. An experimental study of the effectiveness of the proposed methods based on real financial data was conducted. A comparative analysis of forecasting accuracy showed that using LSTM allows achieving an average accuracy of 92.4%, while Prophet demonstrates an accuracy of 88.7%. Risk assessment using the Monte Carlo method allowed us to determine the probability of extreme changes in asset values and their impact on the investment portfolio. The results obtained confirm the feasibility of using the proposed system for forecasting financial markets. Further research will focus on improving the accuracy of the models by integrating additional macroeconomic indicators and improving adaptive mechanisms for setting forecasting parameters. У статті досліджено проблему прогнозування динаміки ринкових акцій із використанням сучасних методів машинного навчання. Висока волатильність фінансових ринків і значний рівень невизначеності роблять актуальним застосування автоматизованих інтелектуальних систем для підвищення точності прогнозування та оптимізації інвестиційних стратегій. Запропонована система поєднує моделі машинного навчання Prophet та LSTM (Long Short-Term Memory) для аналізу часових рядів, а також метод Монте-Карло для оцінки ризиків. Розроблено алгоритм збору, очищення та попередньої обробки фінансових даних, що включає отримання історичних курсів акцій з платформи Yahoo Finance, нормалізацію, усунення викидів та формування навчальних вибірок. Архітектура системи складається з модулів збору та обробки даних, побудови прогнозних моделей та оцінки ризиків. Проведено експериментальне дослідження ефективності запропонованих методів на основі реальних фінансових даних. Порівняльний аналіз точності прогнозування показав, що використання LSTM дозволяє досягти середньої точності на рівні 92,4%, тоді як Prophet демонструє точність 88,7%. Оцінка ризиків із застосуванням методу Монте-Карло дозволила визначити ймовірність екстремальних змін вартості активів та їхній вплив на інвестиційний портфель. Отримані результати підтверджують доцільність використання запропонованої системи для прогнозування фінансових ринків. Подальші дослідження зосереджуватимуться на покращенні точності моделей шляхом інтеграції додаткових макроекономічних індикаторів та вдосконаленні адаптивних механізмів налаштування параметрів прогнозування. Vinnytsia National Technical University 2025-06-18 Article Article application/pdf https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/768 10.31649/1681-7893-2025-49-1-111-122 Optoelectronic Information-Power Technologies; Vol. 49 No. 1 (2025); 111-122 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 49 № 1 (2025); 111-122 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 49 № 1 (2025); 111-122 2311-2662 1681-7893 10.31649/1681-7893-2025-49-1 uk https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/768/698 |