Статьи, Журналы
Применение нейросетевых технологий для анализа стоимостных показателей
Статьи, Журналы
Применение нейросетевых технологий для анализа стоимостных показателей
Дагаев, А.В. Применение нейросетевых технологий для анализа стоимостных показателей / А. В. Дагаев, О. П. Шепелева, А. В. Калиновский // Экономические науки. Научно-информационный журнал. — Москва, 2026 — N 1. — С.92-97. — Библиогр. в конце ст.
Поделиться
Вконтакте 
Одноклассники 
Telegram Источник
Аннотация
В данной работе представлен комплексный подход к прогнозированию цен акций, объединяющий методы технического анализа и анализа тональности новостного и социального текста. Используется предобработка данных, включающая очистку, нормализацию и генерацию признаков, на основе которых строятся временные ряды. Для моделирования временной динамики цен применяется рекуррентная нейронная сеть Long Short-Term Memory (LSTM),оптимально подходящая для захвата долгосрочных зависимостей на финансовых временных рядах. Для оценки настроений рынка и новостного фона задействованы современные трансформерные модели BERT (Bidirectional Encoder Representations from Transformers) и GPT (Generative Pre-trained Transformer), которые позволяют извлекать и классифицировать тональность текста, влияющую на движение рынка. В расчет также включены широко используемые технические индикаторы: скользящая средняя (SMA), конвергенция/дивергенция скользящих средних (MACD), индекс относительной силы (RSI), средний истинный диапазон (ATR) и другие, расширяющие признаки модели технического анализа. Интеграция данных источников и методов позволяет улучшить точность и надежность прогнозов, что продемонстрировано на исторических данных фондового рынка. Результаты показывают потенциал комбинированных моделей для поддержки инвестиционных решений и управления рисками.
Ключевые слова
- #рынок ценных бумаг
- #рынок акций
- #ценообразование
- #стоимостной анализ
- #стоимость ценных бумаг
- #цены на ценные бумаги
- #нейросетевые технологии
- #нейросети
- #искусственный интеллект
- #нейросетевое моделирование
- #прогнозирование
- #индикаторы
- #текстовый анализ
- #информационный анализ
- #генеративные системы
- #графики
-
УДК:336.76
-
DOI: DOI — Digital Object Identifier — цифровой идентификатор объекта. Современный стандарт обозначения объектов информационной деятельности в сети Интернет, позволяющий идентифицировать и искать научные данные, размещённые в сети Интернет и привязывать к объекту дополнительные метаданные. Номер DOI всегда остаётся неизменным, который позволяет найти объект, даже если сведения о нем не полные или не точные.
Рекомендовано к ознакомлению
- 1. Митрюхина, Е.А. Сравнение методов машинного обучения и нейронных сетей при прогнозировании фондового рынка / Е. А. Митрюхина, А. И. Ладынин // Экономические науки. Научно-информационный журнал. — Москва, 2025 — N 9. — С.289-300.
- 2. Артюхов, И.А. Человек + Машина: сравнительный анализ эффективности прогнозирования фондового рынка бизнес-аналитиками и нейросетями в условиях рыночной неэффективности / И. А. Артюхов // Финансовые рынки и банки. — Москва, 2026 — N 3. — С.185-187.
- 3. Киприянов, А. Дилемма регулятора / А. Киприянов // Деньги и кредит. — Москва, 2024 — N 3. Том 83. — С.70-91.
- 4. Федорова, Е.А. Влияние индекса экономической политики на фондовый рынок / Е. А. Федорова, А. Р. Неврединов, Т. Н. Седаш // Экономический анализ. — Москва, 2025 — N 8. — С.91-106.
- 5. Amihud, Y. Market Liquidity / Y. Amihud, H. Mendelson, L. H. Pedersen. — Cambridge : Cambridge University Press, 2013. — 277 p.. — ISBN 9780521139656.
- 6. Суворина, Е.В. Обратный выкуп акций / Е. В. Суворина // Финансовая экономика. — Москва, 2025 — N 3. — С.243-245.
- 7. Коновалов, В. Рынок ОФЗ 2023 / В. Коновалов // Вестник НАУФОР. — Москва, 2023 — N 12. — С.46-51.
- 8. Миловидов, В.Д. Настроения инвесторов и динамика фондового рынка / В. Д. Миловидов // Проблемы прогнозирования. — Москва, 2024 — N 4. — С.72-87.
- 9. Патласов, Д.А. Гибридные подходы к прогнозированию реализованной волатильности ETF / Д. А. Патласов // Экономический журнал Высшей школы экономики. — Москва, 2025 — N 1. Том 29. — С.103-131.
- 10. Герчик, А. Курс активного трейдера / А. Герчик. — Москва : Альпина Паблишер, 2019. — 343 с.. — ISBN 978-5-9614-2374-7.
Отзывы читателей
0