МОДЕЛЬ ЗНАНЬ ДЛЯ ВИЯВЛЕННЯ КОРЕЛЯЦІЙНИХ ЗАЛЕЖНОСТЕЙ У КОРПОРАТИВНИХ ОНТОЛОГІЧНИХ ГРАФАХ НА РІЗНОРІДНИХ ДАНИХ

Анотація

У статті представлено модель знань для виявлення кореляційних залежностей у онтологічних системах (CLCO – Context-Linked Corporate Ontology), побудованих на різнорідних даних, зокрема, структурованому корпоративному графі економічних відносин та часово прив’язаному текстовому контексті. Основна наукова новизна роботи полягає в архітектурному розділенні структурного та контекстного шарів: граф економічних відносин залишається топологічно стабільним, а текстові дані виконують виключно роль часової та подієвої прив’язки без модифікації структури графа. Такий підхід дозволяє формалізувати корпоративні зв’язки як конкретні економічні ролі та створює умови для інтерпретації результатів. Модель знань формалізована як типізований атрибутований орієнтований граф, у якому виділяються вершини, що відповідають корпоративним суб’єктам і текстовим документам, та типізовані економічні відношення між компаніями (постачання, клієнтські зв’язки, партнерства, конкурентні відносини, контроль). Інтеграція різнорідних даних здійснюється через прив’язку текстового представлення подій до відповідних вузлів корпоративного графа. Типи економічних зв’язків при цьому зберігають рольову інтерпретацію і використовуються для опису контексту, що підвищує виразність моделі. Текстові новини агрегуються у часових інтервалах і прив’язуються до вузлів без зміни топології графа. Емпірична перевірка моделі проводилася на денних біржових даних (OHLCV) великих публічних компаній, що торгуються на NYSE та NASDAQ, із використанням ковзних часових вікон довжиною від 30 до 250 торгових днів. Цільова змінна формулювалася як бінарний клас напрямку руху ціни на наступний торговий день. Порівнювалися чотири конфігурації: традиційна модель технічного аналізу (TA), агрегація новин і технічних ознак без графа (AGG) та графова модель з урахуванням типів економічних зв’язків (GRAPH). Результати експериментів демонструють практичну ефективність запропонованої моделі. У режимі close–close стратегія GRAPH забезпечила дохідність +13.42% проти +3.58% для AGG і −4.35% для TA. У режимі close–open графовий контекст підвищив дохідність з +17.82% (AGG) до +19.80%. Аналіз результатів показує, що графовий контекст виступає фактором узгодження поведінки пов’язаних компаній, не змінюючи структуру зв’язків, а уточнюючи інтерпретацію подій у часовому зрізі. Таким чином, робота підтверджує ефективність інтеграції фіксованого корпоративного графа знань і часового контексту для короткострокового прогнозування напрямку руху ціни. Запропонований підхід забезпечує прозоре і інтерпретоване представлення економічних відносин, дозволяє оцінити вплив структурного контексту та слугує основою для розвитку аналітичних і прогностичних систем у фінансовій сфері.