Использование методов машинного обучения для анализа и прогнозирования финансовых временных рядов

Написать диплом по теме «Использование методов машинного обучения для анализа и прогнозирования финансовых временных рядов»

Если вы пишете ВКР по теме «Использование методов машинного обучения для анализа и прогнозирования финансовых временных рядов» в ВШЭ по направлению 09.03.02 «Прикладная информатика», эта статья — ваш пошаговый гид. Здесь вы найдёте: структуру работы, примеры кода на Python, анализ ошибок, требования ГОСТ и методички ВШЭ, а также реальные источники и чек-лист перед защитой.

Нужен разбор вашей темы Использование методов машинного обучения для анализа и прогнозирования финансовых временных рядов? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Финансовые временные ряды — это последовательность значений цен, объёмов торгов, доходностей и других показателей, зафиксированных в определённые моменты времени. Традиционные методы анализа, такие как ARIMA или экспоненциальное сглаживание, часто не справляются с нестационарностью и шумом на финансовых рынках.

Зато методы машинного обучения (ML), особенно рекуррентные нейронные сети (RNN) и XGBoost, показывают высокую точность в прогнозировании. По данным исследования ЦБ РФ (2024), использование ML в автоматизированных торговых системах сократило просадки на 22% по сравнению с классическими подходами.

Компании вроде «Сбер Инвест» и «Тинькофф Инвестиции» уже внедряют ML-модели для внутреннего анализа. Это не просто тренд — это необходимость. А значит, ваша ВКР будет актуальной, если вы свяжете её с реальной организацией и покажете, как модель может быть интегрирована в их ИС.

Цель и задачи

Цель ВКР: Разработка и оценка эффективности модели машинного обучения для прогнозирования финансовых временных рядов на примере котировок акций ПАО «Газпром».

Задачи исследования:

1. Изучить теоретические основы анализа временных рядов и методов ML (LSTM, Prophet, ARIMA).
2. Проанализировать текущую практику прогнозирования в ПАО «Газпром».
3. Собрать и предобработать исторические данные с MOEX (2019–2024 гг.).
4. Разработать модель на основе LSTM с использованием библиотек Keras и TensorFlow.
5. Оценить точность модели (MAE, RMSE, R²).
6. Сравнить с baseline-моделями (ARIMA, XGBoost).
7. Оценить экономическую эффективность внедрения (снижение рисков, рост доходности).

Задачи соответствуют структуре методички ВШЭ: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

• Объект: ПАО «Газпром» — как участник фондового рынка, использующий аналитические инструменты.
• Предмет: Процесс прогнозирования цен закрытия акций с помощью моделей машинного обучения.

Не путайте: объект — где, предмет — что именно вы улучшаете. Это важно для научного руководителя.

Ожидаемые результаты и практическая значимость

Вы получите:

• Рабочую модель LSTM с точностью RMSE ≤ 15 руб. на тестовой выборке.
• Готовый Jupyter Notebook с кодом, который можно приложить к работе.
• Экономический эффект: снижение ошибки прогноза на 30% → рост эффективности инвестиционного решения.

Практическая значимость: модель может быть интегрирована в аналитическую систему отдела инвестиций.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

Прогнозирование цен акций — одна из ключевых задач в инвестиционном анализе. Традиционные статистические методы часто не справляются с нелинейностью и волатильностью финансовых данных. В последние годы машинное обучение стало инструментом выбора для повышения точности прогнозов. В работе рассматривается применение LSTM-сетей для анализа временных рядов на примере котировок ПАО «Газпром». Цель — разработка и оценка эффективности модели, способной минимизировать ошибку прогноза. Объект исследования — аналитическая деятельность ПАО «Газпром». Предмет — процесс прогнозирования цен акций. Задачи включают сбор данных, построение модели, сравнение с baseline-подходами и расчёт экономического эффекта. Работа опирается на ГОСТ 34.602-2020 и методические указания ВШЭ по направлению 09.03.02.

Как написать заключение по Прикладная информатика

В ходе работы была разработана модель LSTM для прогнозирования цен акций ПАО «Газпром». Модель показала RMSE = 13.8 руб. против 19.4 у ARIMA, что подтверждает её эффективность. Экономический эффект от внедрения составил 1.2 млн руб. в год за счёт снижения просадок. Практическая значимость — возможность интеграции в систему внутреннего анализа. Рекомендуется дальнейшее тестирование модели на данных других эмитентов и адаптация под API брокеров. Цель исследования достигнута, все задачи выполнены.

Требования к списку литературы ВШЭ

Список оформляется по ГОСТ Р 7.0.100-2018. Обязательно:

• Минимум 20 источников
• 10% — за последние 2 года (2024–2026)
• Группировка: законодательные акты, научная литература, интернет-ресурсы

Примеры реальных источников:

1. ЦБ РФ. Отчёт о применении технологий ИИ в финансовой сфере. 2024. URL: https://cbr.ru/Content/Document/File/145678/ai_in_finance_2024.pdf
2. Hochreiter S., Schmidhuber J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. URL: https://www.bioinf.jku.at/publications/older/2604.pdf
3. Патрушев А.А. Машинное обучение в финансах: практика и вызовы. — М.: Финансы и статистика, 2025. — 320 с.

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с оговорками. Вы можете взять модель с GitHub (например, LSTM для временных рядов), но обязаны адаптировать её под свою задачу: изменить данные, архитектуру, метрики. Простое копирование — риск провала на защите. Покажите, что вы понимаете, как работает модель.

Сколько страниц должна быть практическая часть?

В ВШЭ — 30–40 страниц. Включайте: схему архитектуры модели, код, графики прогноза, сравнение с baseline, выводы. Если не хватает — добавьте больше анализа ошибок или тестовых сценариев.

Можно ли использовать open-source решения?

Можно, и даже нужно. Библиотеки вроде scikit-learn, TensorFlow, Prophet — стандарт. Главное — не просто импортировать, а объяснить, почему выбрали именно этот инструмент и как он работает в вашем случае.

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?