Використання інформаційних моделей для прогнозування поведінки фінансових показників
DOI:
https://doi.org/10.25140/2411-5363-2024-2(36)-173-180Ключові слова:
машинне навчання; фінансова аналітика; інформаційні моделі; ухвалення рішеньАнотація
Стаття є оглядово-інформаційним викладенням матеріалу з використання моделей машинного навчання для прогнозування фінансових показників з можливістю покращення ухвалення рішень з метою формування збалансованого портфеля акцій. Об’єднання глибокого аналізу з машинним навчанням, використовуючи методи лінійної регресії, дерев рішень, випадкових лісів та платформ автоматичного навчання, є потужним інструментом для передбачення ринкових трендів та стратегічних рухів, а також тестування гіпотез. Особлива увага приділяється аналізу ефективності різних методів машинного навчання в умовах невизначеності та турбулентності ринку. Використання моделей штучного інтелекту, дозволяє враховувати залежності у фінансових даних. На основі проведених досліджень визначаються основні напрями подальших дій у цій сфері, включаючи впровадження інформаційних моделей у практичну діяльність фінансових інститутів.
Посилання
Olubusola, O., Zamanjomane Mhlongo, N., binna Daraojimba, D., & et al. (2024). Machine learning in financial forecasting: A U.S. review: Exploring the advancements, challenges, and implications of AI-driven predictions in financial markets. World Journal of Advanced Research and Reviews, 21.
Sonkavde, G., Sonkavde, G., & Bongale, A. M. (2023). Forecasting stock market prices using machine learning and deep learning models: A systematic review, performance analysis and discussion of implications. International Journal of Financial Studies, 11.
Alsharef, A., Aggarwal, K., & Garg, S. (2022). Review of ML and AutoML solutions to forecast time-series data. Archives of Computational Methods in Engineering, 29.
Westergaard, G., Erden, U., & Abdallah Mateo, O. (2024). Time series forecasting utilizing automated machine learning (AutoML): A comparative analysis study on diverse datasets. Information, 15.
Kureljusic, M., & Karger, E. (2024). Forecasting in financial accounting with artificial intelligence – A systematic literature review and future research agenda. Journal of Applied Accounting Research, 25.
Intisar, O., Khan, M., & Starr, A. (2023). Automated prediction of crack propagation using H2O AutoML. Sensors (Basel).
Comparative analysis of stock price prediction models: Generalized linear model (GLM), ridge regression, lasso regression, elasticnet regression, and random forest - A case study on Netflix. (2023). https://www.researchgate.net/publication/374950281_Comparative_Analysis_of_Stock_Price_Predicti
on_Models_Generalized_Linear_Model_GLM_Ridge_Regression_Lasso_Regression_Elasticnet_Reg ression_and_Random_Forest_-A_Case_Study_on_Netflix.
Tran, K., Le, H., & Lieu, C. (2023). Machine learning to forecast financial bubbles in stock markets: Evidence from Vietnam. International Journal of Financial Studies.
Sanjiban, S., Chopra, R., & Lee, K. (2020). Random forest, gradient boosted machines and deep neural network for stock price forecasting: A comparative analysis on South Korean companies. International Journal of Ad Hoc and Ubiquitous Computing.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
