ПОРІВНЯЛЬНИЙ АНАЛІЗ ТРАДИЦІЙНИХ СТАТИСТИЧНИХ МЕТОДІВ ТА НЕЙРОМЕРЕЖЕВОЇ МОДЕЛІ LSTM

Автор(и)

  • Y. Pertsev
  • L. Korotka

DOI:

https://doi.org/10.34185/1562-9945-1-156-2025-08

Ключові слова:

прогнозування часових рядів, ARIMA, SARIMA, LSTM, фінансові ринки, машинне навчання, нейронні мережі, оцінка точності, фондовий ринок, моделювання даних

Анотація

У статті здійснено порівняльний аналіз традиційних статистичних методів (ARIMA, SARIMA) та сучасного підходу на основі глибокого навчання (LSTM) для прогнозування часових рядів на фінансових ринках. Аналіз зосереджено на дослідженні ефективності кожної моделі у прогнозуванні ціни закриття акцій компанії Apple (NASDAQ: AAPL). Вибір моделей обумовлений їх широким застосуванням у фінансовому аналізі: ARIMA добре підходить для стаціонарних часових рядів, SARIMA дозволяє враховувати сезонні коливання, а LSTM здатна розпізнавати нелінійні залежності та довготривалі тренди. Для дослідження використано історичні дані про ціну закриття акцій AAPL за період із 01.01.2023 по 20.01.2025, отримані через сервіс yfinance. Експериментальне моделю-вання проводилося з метою порівняння точності прогнозування на основі таких мет-рик, як середня абсолютна похибка (MAE), середньоквадратична похибка (MSE), корінь середньоквадратичної похибки (RMSE) та середня абсолютна відносна похибка (MAPE). Результати аналізу показали, що модель LSTM забезпечує найкращу точність прогно-зування завдяки здатності продуктивно моделювати складні патерни у часових рядах. SARIMA також продемонструвала високу ефективність у прогнозуванні, особливо для даних із вираженою сезонною складовою, перевершуючи ARIMA за точністю. Водночас ARIMA продемонструвала найгірші результати через обмежену здатність адаптува-тися до сезонності та нелінійних залежностей. Одержані висновки можуть бути корисними для аналітиків, інвесторів та до-слідників, що займаються фінансовим прогнозуванням. Робота містить практичні ре-комендації щодо вибору моделі залежно від характеристик даних і потреб прогнозу-вання, а також висвітлює сильні та слабкі сторони кожного підходу.

Посилання

Григор’єв, І. А., Сорокін, В. О. (2020). Гібридні моделі для прогнозування цін акцій на фондовому ринку // Вісник Харківського національного університету. – 2020. – №2. – С. 45-53.

Карпова, Л. В. (2018). Нейронні мережі у фінансовому аналізі: теорія та практика за-стосування // Вісник Київського національного університету. Економіка. – 2018. – №4. – С. 90-98.

Козаченко, О. В., Романюк, О. А. (2020). Прогнозування цін акцій на основі моделей машинного навчання // Економіка та прогнозування. – 2020. – №2. – С. 75-88.

Кравченко, Д. В. (2021). Статистичні методи та машинне навчання у фінансових до-слідженнях // Фінансовий ринок України. – 2021. – №3. – С. 67-73.

Ладижець , В. ., Теренчук , С. . (2021). МОДЕЛІ ТА МЕТОДИ ТЕХНІЧНОГО АНАЛІЗУ ФІНАНСОВИХ РИНКІВ. Управління розвитком складних систем, (48), 47–52. https://doi.org/10.32347/2412-9933.2021.48.47-52

Masliy, V. V., & Berezka, K. M. (2017). Selection and evaluation of ARIMA models for forecasting foreign direct investment. Scientific Bulletin of the International Humanitarian University. Series: Economics and Management, 24(2), 115-119. http://nbuv.gov.ua/UJRN/Nvmgu_eim_2017_24(2)__26

Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. 3rd ed. Melbourne, Australia : OTexts, 2021. 442 p.

Reinsel, G. M. Ljung. – New Jersey : John Wiley & Sons. – 2015

Hayes, A. (n.d.). Autoregressive Integrated Moving Average (ARIMA) Prediction Model. Investopedia. https://www.investopedia.com/terms/a/autoregressive-integrated-moving-average-arima.asp

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). Hoboken, NJ, USA: John Wiley & Sons Inc. https://doi.org/10.1111/jtsa.12194

S. Siami-Namini, N. Tavakoli and A. Siami Namin, “A Comparison of ARIMA and LSTM in Forecasting Time Series,” 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), 2018, pp. 1394-1401, doi: 10.1109/ICMLA.2018.00227

Korstanje J. Advanced Forecasting with Python. Apress, 2021.

Yfinance. PyPI. (n.d.). https://pypi.org/project/yfinance/

Перцев Ю. О., Коротка Л.І. Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TIMESFM. International scientific and tech-nical conference Information Тechnologies in Metallurgy and Machine building – ITMM 2024. 2024. С. 434-439. (DOI: 10.34185/1991-7848.itmm.2024.01.084)

Перцев Ю. О., Коротка Л. І. Порівняння нейронних мереж RNN та LSTM типу при прогнозуванні цін на фондовому ринку. Матеріали VІІІ Міжнародної науково-технічної конференції комп’ютерне моделювання та оптимізація складних систем (1-3 листопада 2023 року м. Дніпро, Україна). С. 124-127.

Перцев Ю.О., Коротка Л.І. Нейромережеве прогнозування цін на фондовому ринку. International scientific and technical conference Information Тechnologies in Metallurgy and Machine building (ITMM 2023). 314-317 р.( DOI: 10.34185/1991-7848.itmm.2023.01.085)

Завантаження

Опубліковано

2025-03-30