Создание системы прогнозирования цен акций с использованием модели ARIMA

Написать диплом по теме «Создание системы прогнозирования цен акций с использованием модели ARIMA»

Диплом (ВКР) по теме «Создание системы прогнозирования цен акций с использованием модели ARIMA» в МТИ (09.03.02) требует глубокого понимания временных рядов, статистического анализа и практической реализации. В этой статье — пошаговое руководство: от выбора данных до экономического обоснования, с примерами кода, диаграммами процессов и проверенными источниками. Вы получите шаблоны, которые проходят проверку научрука и Антиплагиат.ВУЗ.

Нужен разбор вашей темы Создание системы прогнозирования цен акций с использованием модели ARIMA? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Прогнозирование цен на финансовые инструменты — одна из самых востребованных задач в количественных финансах. ARIMA (Autoregressive Integrated Moving Average) остаётся одним из наиболее интерпретируемых и стабильных методов для краткосрочного прогнозирования временных рядов, особенно когда данные стационарны или становятся таковыми после дифференцирования.

По данным ЦБ РФ (2024), количество частных инвесторов в России превысило 23 млн человек. Это увеличивает спрос на доступные инструменты анализа. В то же время, 68% начинающих инвесторов принимают решения на основе эмоций, а не аналитики (исследование НАУФОР, 2025). Автоматизированная система прогнозирования может снизить риски и повысить эффективность торговли.

На практике студенты МТИ часто выбирают публичные данные по акциям Сбербанка, Газпрома или Яндекса. Это упрощает анализ и позволяет проверить модель на реальных данных. Главное — не ограничиваться прогнозом "на графике", а показать, как система может быть внедрена в процесс принятия решений.

Цель и задачи

Цель ВКР: разработка информационной системы прогнозирования цен акций с использованием модели ARIMA и её экономическое обоснование для внедрения в аналитический отдел финансовой компании.

Задачи:

1. Провести анализ существующих методов прогнозирования цен акций.
2. Собрать и подготовить временные ряды цен акций (например, MOEX: SBER).
3. Построить и протестировать модель ARIMA с подбором параметров (p, d, q).
4. Разработать прототип веб-интерфейса для визуализации прогноза.
<5>Оценить экономическую эффективность внедрения системы.

Задачи соответствуют методичке МТИ по 09.03.02: от анализа → к проектированию → к расчётам. Каждая задача должна быть закрыта в заключении.

Рекомендуемая структура дипломной работы

Пример введения для МТИ

Рост волатильности фондового рынка требует от аналитиков более точных инструментов прогнозирования. Традиционные методы, такие как скользящие средние или экспертные оценки, часто не справляются с резкими изменениями. В этой связи актуальной становится автоматизация прогнозирования на основе статистических моделей, таких как ARIMA.

Объект исследования — процесс анализа цен акций в ООО «Финансы и Технологии». Предмет — методы прогнозирования временных рядов с использованием модели ARIMA. Цель — разработка системы, способной генерировать краткосрочные прогнозы с точностью не ниже 85% по метрике MAPE.

Задачи включают анализ аналогов, сбор данных, построение модели, разработку интерфейса и расчёт экономического эффекта. Работа опирается на ГОСТ 34.602-2020 (техническое задание) и ГОСТ 7.0.100-2018 (оформление).

Этапы разработки информационной системы

Как написать заключение по Информационные системы и технологии

В ходе работы была разработана система прогнозирования цен акций на основе модели ARIMA. Анализ показал, что метод применим для краткосрочного прогнозирования с ошибкой MAPE в пределах 7–12% на данных SBER за 2020–2024 гг.

Разработан прототип веб-интерфейса с использованием Flask и Plotly, позволяющий загружать данные, строить прогноз и визуализировать результат. Экономический расчёт показал, что внедрение системы сократит время анализа на 35% и повысит точность прогнозов на 22%, что эквивалентно экономии 1.2 млн руб. в год.

Работа соответствует требованиям МТИ к ВКР по направлению 09.03.02. Рекомендуется дальнейшее развитие системы с интеграцией моделей SARIMA и LSTM для повышения точности.

Требования к списку литературы МТИ

Список литературы должен соответствовать ГОСТ Р 7.0.100-2018. Минимум 70% источников — не старше 5 лет. Обязательны: учебники по анализу временных рядов, документация библиотек Python, официальные отчёты.

Примеры проверенных источников:

• Hyndman, R.J., Athanasopoulos, G. Forecasting: principles and practice (3rd ed). 2023. URL: https://otexts.com/fpp3/
• ЦБ РФ. Отчёт о развитии финансового рынка РФ. 2024. URL: https://cbr.ru/Content/Document/File/152614/finmarket2024.pdf
• Statsmodels. ARIMA Model — Documentation. 2025. URL: https://www.statsmodels.org/stable/generated/statsmodels.tsa.arima.model.ARIMA.html

Вопросы, которые часто задают студенты

• Можно ли использовать Jupyter Notebook как основу приложения? Да, но экспортируйте в .py и оформите как приложение по ГОСТ.
• Какой объём должен быть у кода в приложении? Оптимально 30–50 строк ключевых функций: загрузка данных, обучение, прогноз, визуализация.

Пример кода модели ARIMA на Python

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_absolute_percentage_error
import warnings
warnings.filterwarnings("ignore")

# Загрузка данных (пример)
data = pd.read_csv('sber_2020_2024.csv', index_col='Date', parse_dates=True)
data = data['Close'].resample('W').mean()  # Агрегация по неделям

# Проверка стационарности
from statsmodels.tsa.stattools import adfuller
result = adfuller(data)
print(f'ADF p-value: {result[1]:.4f}')  # Если > 0.05 — дифференцируем

# Разделение на train/test
train = data[:'2023']
test = data['2024':]

# Подбор модели
model = ARIMA(train, order=(2,1,1))
fitted = model.fit()

# Прогноз
forecast = fitted.forecast(steps=len(test))

# Оценка точности
mape = mean_absolute_percentage_error(test, forecast)
print(f'MAPE: {mape:.3f}')

Код можно адаптировать под свои данные. Важно: в приложении к ВКР укажите версию Python и библиотек (например, statsmodels 0.14.0).

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?