Гнучкі методології управління ризиками в життєвому циклі інтелектуальної системи прогнозування рішень динаміки ринкових акцій

Abstract

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.

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 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.