ФОРМУВАННЯ ІНВЕСТИЦІЙНОГО ПОРТФЕЛЮ НА ОСНОВІ ПРОГНОЗУВАННЯ ФОНДОВОГО РИНКУ З ВИКОРИСТАННЯМ БАГАТОДЖЕРЕЛЬНИХ ДАНИХ

Анотація

У дослідженні використано дані з різних джерел: історичні ціни акцій, технічні індикатори, новинні повідомлення та публікації з соціальних мереж. Такий підхід дозволяє поєднувати як кількісні, так і якісні фактори, що безпосередньо впливають на динаміку фондового ринку, та формувати більш повну й комплексну інформаційну базу для прогнозування. На відміну від традиційних моделей, які переважно враховують лише статистичні характеристики часових рядів, застосування багатоджерельних даних дає змогу краще відобразити складні взаємозв’язки між економічними, інформаційними та поведінковими чинниками, що визначають коливання вартості цінних паперів. Експериментальні результати підтвердили, що збільшення кількості шарів і нейронів у нейронних мережах, а також застосування регуляризації у вигляді dropout, значно підвищують точність прогнозів і дозволяють уникати перенавчання. Найкраща модель – чотиришарова BiLSTM із 150 нейронами та параметром dropout 0.2 – досягла показника MAPE 4.36, перевершивши аналогічну модель LSTM. Це свідчить про здатність BiLSTM краще враховувати довгострокові залежності та приховані патерни у часових рядах.Водночас важливим обмеженням виявився суттєво більший час навчання BiLSTM, що може ускладнювати або навіть унеможливлювати її застосування в системах реального часу, де швидкість прийняття рішень є критичною. Метою дослідження є розробка ефективної моделі прогнозування динаміки фондового ринку на основі багатоджерельних даних із застосуванням сучасних методів глибинного навчання, здатної забезпечувати високу точність і надійність результатів навіть в умовах нестабільності. Об’єктом дослідження виступає процес прогнозування цін на акції в умовах високої волатильності та непередбачуваності фінансових ринків, що зумовлено як внутрішніми економічними факторами, так і зовнішніми інформаційними впливами. Предметом дослідження є методи та моделі глибинного навчання (зокрема LSTM та BiLSTM), орієнтовані на аналіз часових рядів і текстових даних із різних інформаційних джерел, інтеграція яких дозволяє підвищити якість прогнозування. Отримані результати свідчать про практичну доцільність використання глибинного навчання в управлінні інвестиціями, оскільки такі методи забезпечують більш точні й надійні прогнози в умовах значної невизначеності та нестабільності. Вони можуть стати ефективним інструментом для оптимізації формування інвестиційних портфелів, зниження ризиків і підвищення прибутковості рішень у сфері фінансів. Подальші дослідження можуть бути спрямовані на вдосконалення архітектур моделей для прискорення процесу навчання та розробку гібридних систем, що поєднують глибинне навчання з методами обробки природної мови для ще глибшого аналізу впливу інформаційних факторів на фондовий ринок.