УПРАВЛІННЯ ПОРТФЕЛЕМ ЦІННИХ ПАПЕРІВ З ВИКОРИСТАННЯМ МЕТОДІВ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАНИХ У АНАЛІЗІ ЧАСОВИХ РЯДІВ

Анотація

У даній статті комплексно досліджується застосування передових методів інтелектуального аналізу даних (Data Mining), зокрема глибоких нейронних мереж (DNN) та рекурентних нейронних мереж (RNN), для оптимізації управління інвестиційними портфелями. Незважаючи на теоретичну цінність класичних портфельних теорій, їхня неефективність у умовах швидкозмінних ринків обумовлює необхідність розробки сучасних підходів до прогнозування фондових ринків. Дане дослідження ґрунтується на аналізі часових рядів із застосуванням порівняльного підходу до оцінки ефективності моделей DNN та RNN у прогнозуванні динаміки цін акцій та подальшій оптимізації структури інвестиційного портфеля. Результати дослідження, отримані на основі ключових метрик якості (MSE, MAE, MAPE, R²), демонструють перевагу моделі RNN, яка системно показує кращу відповідність реальним ринковим даним у порівнянні з DNN. Прогнозні моделі, побудовані на основі RNN, дозволяють формувати портфель з оптимальними співвідношеннями доходу та ризику, максимально наближеними до реальних ринкових умов, а також забезпечують більш точний розподіл ваг активів. Це свідчить про вищу прогностичну точність RNN у задачах розподілу активів та управління портфелем. Можна зробити висновок, що RNN, завдяки архітектурі, орієнтованій на обробку послідовних даних, є перспективнішим інструментом для прогнозування фінансових часових рядів. Отримані результати підкреслюють потенціал методів інтелектуального аналізу даних для вдосконалення інвестиційних стратегій та обґрунтовують необхідність подальших досліджень щодо розробки гібридних моделей для оптимізації портфелів у умовах високої ринкової волатильності. Окрім того, в статті розглядаються практичні аспекти імплементації цих моделей у реальні системи торгівлі, аналізуються обмеження, пов'язані з їхнім застосуванням, та пропонуються напрями подальших досліджень для подолання цих обмежень. Дослідження також висвітлює важливість обробки великих масивів даних реального часу та необхідність адаптації моделей до різних ринкових режимів для забезпечення стабільної ефективності.