Прогнозування цін на акції методами машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Шкляровим Віталієм на тему «Прогнозування цін на акції методами машинного навчання». Робота спрямована на здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес прогнозування фінансових трендів на основі аналізу новинного сентименту та технічних показників. Предметом дослідження є методи та алгоритми машинного навчання для аналізу текстових даних і прогнозування ринкових трендів. У роботі детально розглянуто теоретичні основи фінансового прогнозування, зокрема специфіку фондових ринків, складність обробки великих даних та переваги використання машинного навчання для аналізу тексту. Проведено аналіз сучасних досліджень і технологій, включаючи методи обробки природної мови (NLP) та нейронні мережі. Основний акцент зроблено на новинному сентименті, який відображає настрої інвесторів і впливає на поведінку ринку. Методологія роботи включає розробку архітектури системи, що об'єднує різні типи даних. Практична частина роботи включає побудову та тестування прогнозної моделі, її оптимізацію та оцінку точності результатів. Для апробації розробленої системи використано реальні фінансові дані та текстові набори, що складаються з новинних заголовків. У результаті виконання дипломної роботи було розроблено систему, яка поєднує новинний аналіз із технічними індикаторами для більш точного прогнозування трендів на фондовому ринку. Програмна реалізація моделі дозволяє використовувати розроблені алгоритми для аналізу фінансових новин, порівняння результатів роботи моделей та їхню оптимізацію для підтримки прийняття інвестиційних рішень. Загальний обсяг роботи: 67 сторінок, 13 рисунків, 24 посилань. The master’s qualification thesis was completed by Vitalii Shkliarov, a student of group KNSH-22, on the topic “Stock Price Prediction Using Machine Learning Methods.” The work is aimed at obtaining a master’s degree in the specialty 122 “Computer Science.” The object of the research is the process of predicting financial trends based on sentiment analysis of news and technical indicators. The subject of the research is machine learning methods and algorithms for text data analysis and market trend forecasting. The thesis provides a detailed examination of the theoretical foundations of financial forecasting, including the specifics of stock markets, the complexity of big data processing, and the advantages of using machine learning for text analysis. A review of contemporary research and technologies is conducted, covering natural language processing (NLP) methods and neural networks. The primary focus is placed on news sentiment, which reflects investor attitudes and influences market behavior. The methodology of the study includes the development of a system architecture that integrates various types of data. Based on an analysis of existing machine learning models, the most effective approaches were selected for processing news sentiment and technical market indicators. The practical part of the work involves building and testing a forecasting model, optimizing it, and evaluating the accuracy of the results. The developed system was validated using real financial data and textual datasets consisting of news headlines. As a result of the thesis, a system was developed that integrates news sentiment analysis with technical indicators for more accurate stock market trend forecasting. The software implementation of the model enables the use of the developed algorithms to analyze financial news, compare model performance, and optimize them to support investment decision-making. Total work volume: 67 pages, 13 figures, 24 references.