Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. 144 · № 3 · 2026 вер 29, 2026 статті

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

РТ
Роман Тертичний Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», ІПСА, кафедра ММСА, Україна Україна
ДЧ
Денис Чупрін Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», НН ІПСА, кафедра ММСА, Україна Україна
ПБ
Петро Бідюк Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», НН ІПСА, кафедра ММСА, Україна Україна
Опубліковановер 29, 2026
PDF
НВКПІ 3 ТОМ 144 · 3
ТОМ 144 · № 3 · 2026 Переглянути випуск

Анотація

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування. Ефективність сучасних нейромережевих моделей значною мірою обмежується не лише їх архітектурою, а й якістю сформованого простору вхідних ознак. Використання технічних індикаторів без урахування їх взаємозалежності може призводити до мультиколінеарності, інформаційної надлишковості та погіршення узагальнюючої здатності моделей. Мета дослідження. Розробити методику формування інформативного простору ознак на основі технічних індикаторів та дослідити їх вплив на якість прогнозування нелінійних та нестаціонарних фінансових процесів із використанням нейромережевих моделей. Методика реалізації. Методика формування ґрунтується на принципах аналізу фінансових рядів та методах інтелектуального аналізу даних. Для формування простору ознак застосовано підхід на основі ортогонального поєднання індикаторів різних типів: трендових, імпульсних, волатильності та відносних трансформацій ціни. Дослідження механізмів їхньої взаємодії з моделлю проводилося на базі архітектури LSTM з акцентом на функціональну роль кожного параметра у внутрішніх процесах фільтрації та збереження інформації. Результати дослідження. Розроблену методику формування інформативного простору ознак апробовано на реальних даних цін акцій компанії AMD із використанням гібридної архітектури LSTM-Autoencoder та LSTM-Forecaster. Встановлено, що ефективність прогнозування суттєво залежить від складу вхідного вектора ознак. Найкращі результати отримано при поєднанні Price/MA та RSI, що забезпечило підвищення коефіцієнта детермінації з 0.8816 до 0.9316 та зниження MAE з 3.1158 до 2.3569 порівняно з базовою моделлю. Водночас результати підтвердили, що механічне розширення простору ознак не гарантує покращення прогнозу через можливу інформаційну надлишковість та взаємозалежність індикаторів. Висновки . Підвищення якості прогнозування фінансових процесів може бути досягнуто за рахунок формування інформативного та структурованого простору вхідних ознак. Запропонована методика селективного поєднання технічних індикаторів дозволяє зменшити вплив шуму на адекватність, підвищити стійкість моделі та покращити її узагальнюючу здатність. Отримані результати створюють підґрунтя для практичної реалізації високоефективних автоматизованих систем підтримки прийняття рішень на фінансових ринках.

Ключові слова

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі #Long Short-Term Memory #прогнозування банкрутства #нелінійні та нестаціонарні процеси #часові ряди

Посилання

  1. Tertychnyi R. V., Chuprin D. S., Bidyuk P. I. Information system for forecasting nonlinear non-stationary processes in finance. KPI Science News. 2024. No. 1–4. P. 31–39. DOI: https://doi.org/10.20535/kpisn.2024.1-4.312719
  2. P. I. Bidiuk et al. Analiz nestatsionarnykh i neliniinykh protsesiv v ekonomitsi ta finansakh [Analysis of nonstationary and nonlinear processes in economics and finance]. – Kyiv: Igor Sikorsky Kyiv Polytechnic Institute, 2025. – 378 p. URL: https://ela.kpi.ua/handle/123456789/77009
  3. Chang Y., Park J. Y., Phillips P. C. Nonlinear econometric models with cointegrated and deterministically trending regressors. The Econometrics Journal. 2001. Vol. 4, No. 1. P. 1–36.
  4. DOI: https://doi.org/10.1111/1368-423X.00054
  5. Cavalcante R. C. et al. Computational intelligence and financial markets: A survey and future directions. Expert Systems with Applications. 2016. Vol. 55. P. 194–211. DOI: https://doi.org/10.1016/j.eswa.2016.02.006
  6. Lim B., Zohren S. Time-series forecasting with deep learning: A survey. Philosophical Transactions of the Royal Society A. 2021. Vol. 379, № 2194. Art. 20200209. DOI: https://doi.org/10.1098/rsta.2020.0209
  7. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research. 2018. Vol. 270, No. 2. P. 654-669. DOI: https://doi.org/10.1016/j.ejor.2017.11.054
  8. Nelson D. M., Pereira A. C. M., de Oliveira R. A. Stock market's price movement prediction with LSTM neural networks. 2017 International Joint Conference on Neural Networks (IJCNN). Anchorage, 2017. P. 2623-2630. DOI: https://doi.org/10.1109/IJCNN.2017.7966019
  9. Bao W., Yue J., Rao Y. A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLoS ONE. 2017. Vol. 12, № 7. Art. e0180944. DOI: https://doi.org/10.1371/journal.pone.0180944
  10. Sezer O. B., Gudelek M. U., Ozbayoglu A. M. Financial time series forecasting with deep learning: A systematic literature review: 2005-2019. Applied Soft Computing. 2020. Vol. 90. Art. 106181.
  11. DOI: https://doi.org/10.1016/j.asoc.2020.106181
  12. Gu S., Kelly B., Xiu D. Empirical asset pricing via machine learning. The Review of Financial Studies. 2020. Vol. 33, No. 5. P. 2223–2273. DOI: https://doi.org/10.1093/rfs/hhaa009
  13. Patel J., Shah S., Thakkar P., Kotecha K. Predicting stock market index using fusion of machine learning techniques. Expert Systems with Applications. 2015. Vol. 42. P. 2162–2172. DOI: https://doi.org/10.1016/j.eswa.2014.10.031
  14. Atsalakis G. S., Valavanis K. P. Surveying stock market forecasting techniques – Part II: Soft computing methods. Expert Systems with Applications. 2009. Vol. 36. P. 5932–5941.
  15. DOI: https://doi.org/10.1016/j.eswa.2008.07.006
  16. Chong E., Han C., Park F. Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies. Expert Systems with Applications. 2017. Vol. 83. P. 187–205.
  17. DOI: https://doi.org/10.1016/j.eswa.2017.04.030
  18. Sirignano J., Cont R. Universal features of price formation in financial markets. Quantitative Finance. 2019. Vol. 19, No. 9. P. 1449–1459.
  19. DOI: https://doi.org/10.1080/14697688.2019.1622295
  20. Di Persio L., Honchar O. Artificial neural networks architectures for stock price prediction: Comparisons and applications. International Journal of Circuits, Systems and Signal Processing. 2016. Vol. 10. P. 403–413.
  21. URL: https://iris.univr.it/retrieve/
  22. Vargas M. R. et al. Deep learning for stock market prediction using technical indicators and financial news articles. 2018 International Joint Conference on Neural Networks (IJCNN). Rio de Janeiro, 2018. P. 1–8.
  23. DOI: https://doi.org/10.1109/IJCNN.2018.8489208
  24. Qin Y. et al. A dual-stage attention-based recurrent neural network for time series prediction. Proceedings of IJCAI. 2017.
  25. DOI: https://doi.org/10.48550/arXiv.1704.02971
  26. Bryzgalova S., Pelger M., Zhu J. Forest through the Trees: Building Cross-Sections of Stock Returns. The Journal of Finance. 2025. Vol. 80, No. 5. P. 2447–2506. DOI: https://doi.org/10.1111/jofi.13477
  27. Zhang G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 2003. Vol. 50. P. 159–175.
  28. DOI: https://doi.org/10.1016/S0925-2312(01)00702-0
  29. Tsantekidis A. et al. Forecasting stock prices from the limit order book using convolutional neural networks. 2017 IEEE 19th Conference on Business Informatics (CBI). Thessaloniki, 2017. Vol. 1. P. 7–12.
  30. DOI: https://doi.org/10.1109/CBI.2017.23
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ

Валерій Лось, Олександр Ряхін

Проблематика. Параболічні диференціальні рівняння є математичними моделями інженерії, призначеними для дослідження широкого кола прикладних задач. Це приводить до…

#рівняння теплопровідності #мішана параболічна задача #еліптична область #фізико-інформативна нейронна мережа
10.20535/kpisn.2026.3.367316

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

Олександр Гончарук, Надія Недашківська

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа
10.20535/kpisn.2026.3.367540

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 120

Ви також можете розпочати розширений пошук схожих статей для цієї статті.