Нейросетевое прогнозирование финансовых временных рядов

Диплом (ВКР) по теме «Нейросетевое прогнозирование финансовых временных рядов»

Прогнозирование финансовых временных рядов с помощью нейросетей — это актуальная задача для анализа фондовых рынков, криптовалют и макроэкономических показателей. В ВКР по направлению 09.03.02 «Прикладная информатика» вы должны разработать модель, обучить её на реальных данных и оценить точность. Ключ — в сочетании теории, кода и экономического обоснования. Ниже — полный гид, как это сделать по требованиям ВШЭ.

Нужен разбор вашей темы Нейросетевое прогнозирование финансовых временных рядов? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Финансовые рынки генерируют огромные объёмы данных в режиме реального времени. Традиционные методы прогнозирования — ARIMA, GARCH — теряют точность при резких скачках волатильности. Нейросети, особенно LSTM и Transformer, способны улавливать сложные нелинейные зависимости, что делает их перспективными инструментами для предсказания цен.

По данным ЦБ РФ (2024), 68% финтех-стартапов в России уже используют ML-модели для анализа рисков и прогнозирования. Это подтверждает рост спроса на специалистов, умеющих строить такие системы. В вашей ВКР вы можете смоделировать реальную ситуацию: например, прогнозирование курса рубля к доллару или котировок Сбербанка на Московской бирже.

Заметьте: не пишите «актуальность обусловлена развитием ИИ». Это шаблон. Лучше — конкретика: «актуальность подтверждена внедрением ML в СберИнвест, ВТБ и Тинькофф Инвестиции».

Цель и задачи

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

Задачи:

1. Проанализировать существующие подходы к прогнозированию временных рядов (ARIMA, Prophet, LSTM, GRU).
2. Собрать и предобработать исторические данные с Московской биржи (свечи OHLCV, объёмы).
3. Разработать архитектуру нейросети на основе LSTM с учётом сезонности и трендов.
4. Обучить модель и оценить её точность (MAE, RMSE, MAPE).
5. Сравнить результаты с базовыми моделями (наивный прогноз, ARIMA).
6. Оценить экономическую эффективность при внедрении в систему торговли.

Задачи соответствуют методичке ВШЭ: анализ → проектирование → реализация → экономика. Научрук ждёт, чтобы вы не просто написали код, а обосновали каждый шаг.

Объект и предмет исследования

Объект: Процесс автоматизированного анализа финансовых рынков в компании «ФинТех-Аналитика» (условное название, можно заменить на реальную организацию).

Предмет: Методы и модели прогнозирования временных рядов на основе рекуррентных нейронных сетей.

Не путайте: объект — где, предмет — что. Объект — это организация или процесс. Предмет — конкретная технология, которую вы исследуете.

Ожидаемые результаты и практическая значимость

Модель должна прогнозировать изменение цены акции на 1 день вперёд с точностью MAPE ≤ 2.5%. Это позволит:

• снизить риски при принятии торговых решений на 30% (по оценке, основанной на тестах),
• автоматизировать формирование торговых сигналов,
• интегрировать модель в систему внутреннего анализа компании.

Практическая значимость: разработанное ПО может быть использовано как модуль в системе поддержки принятия решений трейдером.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

Финансовые рынки характеризуются высокой волатильностью и нелинейностью. Традиционные статистические методы прогнозирования часто не справляются с резкими изменениями трендов. В последние годы нейросетевые модели, особенно на основе LSTM, демонстрируют высокую точность в задачах временных рядов. В 2023 году исследование на данных NASDAQ показало, что LSTM превосходит ARIMA на 18% по метрике RMSE (источник: CyberLeninka, 2024).

Целью данной работы является разработка и оценка эффективности нейросетевой модели для прогнозирования котировок акций ПАО «Газпром» на основе архитектуры LSTM. Объект исследования — процесс автоматизированного анализа финансовых данных в компании «ФинТех-Аналитика». Предмет — методы прогнозирования временных рядов с использованием глубокого обучения.

Задачи: анализ существующих подходов, сбор и предобработка данных, построение и обучение модели, сравнение с базовыми методами, оценка экономической эффективности. Работа выполнена в соответствии с требованиями ГОСТ 34.602-2020 и методическими указаниями ВШЭ по направлению 09.03.02.

Как написать заключение по Прикладная информатика

В ходе работы была разработана нейросетевая модель на основе LSTM для прогнозирования котировок акций ПАО «Газпром». Модель обучена на данных за 2018–2024 гг., получена ошибка MAPE = 2.3%, что на 21% ниже, чем у ARIMA. Это подтверждает гипотезу о преимуществах глубокого обучения в задачах с нестационарными рядами.

Практическая значимость заключается в возможности интеграции модели в систему поддержки принятия решений. Экономический эффект оценён в 420 тыс. руб. в год за счёт снижения убыточных сделок. Рекомендуется дальнейшее тестирование на других активах и добавление внешних факторов (новости, макроэкономические индикаторы).

Цель достигнута, все задачи выполнены. Работа соответствует требованиям ВШЭ к структуре, содержанию и оформлению.

Требования к списку литератууры ВШЭ

Список литературы должен содержать не менее 20 источников, из них 10% — за последние 2 года. Оформляется по ГОСТ Р 7.0.100-2018.

Примеры реальных источников:

• ГОСТ 34.602-2020. Информационная технология. Рекомендации по разработке и документированию информационных систем. — https://docs.cntd.ru/document/1200179856
• Хайкин С. Нейронные сети: полный курс. — М.: Вильямс, 2021. — 1104 с.
• Полный курс по LSTM от TensorFlow: https://www.tensorflow.org/tutorials/structured_data/time_series

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять архитектуру LSTM с GitHub, но переобучить на своих данных, изменить параметры, добавить визуализацию. Главное — показать понимание, а не скопировать «как есть».

Сколько страниц должна быть практическая часть?

40–60 страниц. Включите: схему архитектуры, блок-схему алгоритма, фрагменты кода, графики обучения, результаты тестирования. Каждый элемент должен быть прокомментирован.

Можно ли использовать open-source решения?

Да, и даже нужно. TensorFlow, PyTorch, scikit-learn — стандартные инструменты. Указывайте их в списке ПО и ссылайтесь на документацию. Это повышает доверие к работе.

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?