Захарова О.И., Квачахия И.З.
РАЗРАБОТКА ПРОГРАММНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СРЕДСТВ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЫНКА ЦЕННЫХ БУМАГ *
Аннотация:
в статье рассматриваются методы анализа фондовых рынков, особенно в контексте российского фондового сектора. Указывается важность анализа временных рядов для прогнозирования. Исследование фокусируется на разработке программного средства для анализа и прогнозирования финансовых временных рядов с использованием Python, pandas, NumPy, Matplotlib, seaborn, statsmodels, scikit-learn и Jupyter Notebook. Результаты исследования показывают, что разработанная информационная система представляет собой гибкую платформу для генерации комплексных финансовых отчетов и успешно решает задачи анализа и прогнозирования динамики рынка ценных бумаг.
Ключевые слова:
искусственный интеллект, временные ряды, машинное обучение, языковые модели, финансовый анализ
ВведениеСовременное финансовое обозрение открывает высокоперспективные пути исследования фондовых рынков. Российский фондовый сектор, находящийся на ранней стадии развития, представляет огромные возможности для дальнейшего роста. Инвесторы все активнее рассматривают ценные бумаги как привлекательное инвестиционное решение.Для принятия обоснованных решений инвесторам предлагаются два базовых подхода: фундаментальный анализ, основанный на изучении финансового состояния компаний, и технический анализ, который ориентирован на математические методы. Важным инструментом становится анализ временных рядов, позволяющий строить математические модели на основе исторических данных.Определение временных рядов в финансах В финансовом анализе временные ряды играют ключевую роль в прогнозировании будущих значений финансовых показателей, таких как цены акций, обменные курсы, процентные ставки и др., на основе исторических данных. Временные ряды в финансах обычно характеризуются высокой волатильностью и могут быть подвержены различным внешним воздействиям, что делает их анализ особенно сложным и интересным [1].Разработка программного средства анализа и прогнозированияПроект включает в себя обработку данных, визуализацию, статистический анализ, моделирование и оценку прогностической способности различных математических моделей временных рядов. Основное внимание уделено таким инструментам и библиотекам, как python, pandas, NumPy, Matplotlib, seaborn, statsmodels, scikit-learn, fbprophet, и Jupyter Notebook. Для освоения и предварительной обработки данных используются библиотеки pandas и NumPy. Pandas обеспечивает удобный функционал для загрузки, очистки и трансформации данных, а также их индексации и агрегации. NumPy предоставляет мощные инструменты для работы с многомерными массивами и выполнения вычислений.Визуализация данных.Matplotlib и seaborn выбраны для визуализации данных за их гибкость и многофункциональность. Эти библиотеки позволяют создавать широкий спектр статистических графиков для анализа временных рядов, распределений и корреляций между переменными.Статистический анализ и моделирование.Для статистического анализа и построения прогностических моделей используются библиотеки statsmodels. Statsmodels предоставляет обширные возможности для оценки моделей и проверки статистических гипотез, включая ARIMA и SARIMAX. Машинное обучение.Для разделения данных на обучающую и тестовую выборки, кросс-валидации и оценки прогностических моделей используется библиотека scikit-learn. Этот инструмент имеет широкий спектр алгоритмов машинного обучения и функций предварительной обработки данных, делая его незаменимым для этапа валидации моделей.Разработка и тестирование.Для разработки, тестирования кода и визуализации результатов применяется среда разработки Jupyter Notebook. Она обеспечивает интерактивную среду для выполнения кода по частям, визуализацию результатов и добавление пояснений, что существенно упрощает процесс исследования и обмен знаниями.LLM.В качестве LLM было принято использовать Gigachat. Gigachat строится на расширенной архитектуре трансформера, включая инновации в механизме внимания, который теперь способен обрабатывать значительно большие объемы данных за счет оптимизации вычислений и эффективного распределения ресурсов. Использование разделения задач между разными слоями трансформера позволяет более эффективно обрабатывать сложные запросы, что значительно улучшает понимание контекста и генерацию ответов.Рис. 1 Визуализация работы модели.ЗаключениеПри разработке программной части были изучены различные методы, а затем выбраны библиотеки, успешно решающие поставленные задачи. Ключевым результатом данного исследования стала информационная система, представляющая собой гибкую платформу способную генерировать комплексные и обоснованные финансовые отчеты. Разработанная система успешно протестирована на практике и может быть внедрена для решения задач анализа и прогнозирования динамики рынка ценных бумаг.
Номер журнала Вестник науки №6 (75) том 3
Ссылка для цитирования:
Захарова О.И., Квачахия И.З. РАЗРАБОТКА ПРОГРАММНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СРЕДСТВ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЫНКА ЦЕННЫХ БУМАГ // Вестник науки №6 (75) том 3. С. 1367 - 1371. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/16071 (дата обращения: 16.05.2025 г.)
Вестник науки © 2024. 16+