Використання методів машинного навчання для покращення застосування стохастичних процесів у аналізі високочастотних фінансових даних
Тип публікації :
Бакалаврська робота
Дата випуску :
2023
Автор(и) :
Токарчук Данило Костянтинович
Мова основного тексту :
ua
eKNUTSHIR URL :
Цитування :
[APA 7] Токарчук, Д. К. (2023). Використання методів машинного навчання для покращення застосування стохастичних процесів у аналізі високочастотних фінансових даних. [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/123456789/5441
[ДСТУ] Токарчук Д. К. Використання методів машинного навчання для покращення застосування стохастичних процесів у аналізі високочастотних фінансових даних : кваліфікаційна робота бакалавра : 12 Інформаційні технології. Київ, 2023. 81 с. URL: https://ir.library.knu.ua/handle/123456789/5441 (дата звернення: 17.07.2026).
У ході роботи проведена розробка та програмна реалізація моделі прогнозування динаміки часових рядів високочастотних фінансових даних з використанням процесу Орнштейна – Уленбека.
Об’єктом дослідження в роботі є процес Орнштейна – Уленбека, предметом дослідження – використання процесу Орнштейна – Уленбека при моделюванні часових рядів високочастотних фінансових даних.
Робота є значимою через використанням моделі прогнозування, що певною мірою відрізняється від моделей сім’ї ARIMA, що широко використовуються в практичних задачах. Окрім того розглянуто базові підходи до вивчення, аналізу та прогнозування часових рядів, зокрема принципи декомпозиції часових рядів та стохастичний підхід Бокса – Дженкінса до прогнозування часових рядів.
Ключові слова: процес Орнштейна – Уленбека, вінерівський процес, часові ряди, прогнозування, стохастичний компонент, моделювання, машинне навчання, градієнтний спуск.
Об’єктом дослідження в роботі є процес Орнштейна – Уленбека, предметом дослідження – використання процесу Орнштейна – Уленбека при моделюванні часових рядів високочастотних фінансових даних.
Робота є значимою через використанням моделі прогнозування, що певною мірою відрізняється від моделей сім’ї ARIMA, що широко використовуються в практичних задачах. Окрім того розглянуто базові підходи до вивчення, аналізу та прогнозування часових рядів, зокрема принципи декомпозиції часових рядів та стохастичний підхід Бокса – Дженкінса до прогнозування часових рядів.
Ключові слова: процес Орнштейна – Уленбека, вінерівський процес, часові ряди, прогнозування, стохастичний компонент, моделювання, машинне навчання, градієнтний спуск.
Галузі знань та спеціальності :
12 Інформаційні технології
124 Системний аналіз
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
4.29 MB
Контрольна сума :
(MD5):3fab1cf4090b616d0153334ce1f43e76
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International