Диплом (ВКР) по теме «Прогнозирование курса акций Газпрома»
Прогнозирование курса акций Газпрома — это задача, требующая анализа временных рядов, применения ML-моделей и работы с финансовыми данными. В ВКР по Прикладной информатике в ВШЭ вы должны не просто построить модель, а обосновать выбор алгоритма, оценить точность и рассчитать экономическую эффективность её внедрения. Ниже — полный разбор структуры, примеры кода, типичные ошибки и чек-лист перед защитой.
Нужен разбор вашей темы Прогнозирование курса акций Газпрома? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
Фондовый рынок — один из ключевых инструментов привлечения капитала. Газпром остаётся системообразующей компанией в российской экономике. Его акции котируются на MOEX с 1997 года, а рыночная капитализация — более 7 трлн руб. (на 2025 г., MOEX).
Зачем прогнозировать? Инвесторы теряют миллионы из-за несвоевременных решений. По данным Finmarket.ru, средняя волатильность акций Газпрома за 2024–2025 гг. составила 18,4% — это выше среднего по индексу MOEX. Автоматизированная система прогнозирования может снизить риски и повысить доходность портфеля.
На практике студенты ВШЭ часто делают ошибку: пишут про «актуальность фондового рынка вообще». А нужно — конкретно про Газпром, его волатильность, влияние макроэкономических факторов и недостаток точных моделей в открытом доступе.
Цель и задачи
Цель: Разработка и оценка эффективности модели прогнозирования курса акций ПАО «Газпром» на основе временных рядов и машинного обучения.
Задачи исследования:
- Проанализировать исторические данные котировок акций Газпрома за 5 лет (источник: MOEX, Yahoo Finance).
- Изучить существующие методы прогнозирования: ARIMA, LSTM, Prophet, XGBoost.
- Выбрать и обосновать архитектуру модели с учётом точности и вычислительных затрат.
- Разработать программный модуль прогнозирования на Python.
- Оценить точность модели с помощью MAE, RMSE, MAPE.
- Рассчитать экономическую эффективность внедрения (снижение убытков, рост доходности).
- Оформить результаты в соответствии с ГОСТ 7.0.100-2018 и требованиями ВШЭ.
Заметьте: задачи логично ведут к цели. Каждая — конкретна, измерима, соответствует структуре ВКР. Это важно для научного руководителя.
Объект и предмет
Объект исследования: Процесс принятия инвестиционных решений на фондовом рынке на примере ПАО «Газпром».
Предмет исследования: Методы прогнозирования временных рядов котировок акций с использованием машинного обучения.
Не путайте! Объект — где? На рынке, в компании. Предмет — что? Алгоритмы прогнозирования. Часто студенты дублируют их — это снижает оценку.
Ожидаемые результаты и практическая значимость
После реализации вы должны получить:
- Рабочую модель с точностью MAPE < 5% на тестовой выборке.
- Программный модуль на Python с визуализацией прогноза.
- Экономический эффект: снижение убытков на 15–25% при торговле объёмом 10 млн руб./мес.
Практическая значимость: разработанное решение можно использовать в инвестиционных компаниях, трейдинговых роботах, образовательных целях.
Рекомендуемая структура дипломной работы
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Теоретическая глава | 25–30 страниц |
| Аналитическая часть | 30–40 страниц |
| Практическая часть | 30–40 страниц |
| Экономическая эффективность | 20–25 страниц |
| Заключение | 3–5 страниц |
Пример введения для ВШЭ
Фондовый рынок является ключевым элементом финансовой системы России. ПАО «Газпром» — одна из крупнейших компаний по капитализации, чьи акции активно торгуются на Московской бирже. Нестабильность цен на энергоносители, геополитические риски и изменения дивидендной политики оказывают значительное влияние на котировки, что усложняет прогнозирование.
Существующие подходы к прогнозированию (технический анализ, ARIMA) часто не учитывают нелинейные зависимости и внешние факторы. Современные методы машинного обучения, такие как LSTM и XGBoost, демонстрируют более высокую точность на сложных временных рядах.
Целью выпускной квалификационной работы является разработка и оценка эффективности модели прогнозирования курса акций ПАО «Газпром» на основе временных рядов и алгоритмов машинного обучения. Задачи включают анализ данных, выбор модели, программную реализацию и расчёт экономического эффекта.
Как написать заключение по Прикладная информатика
В ходе работы была проанализирована динамика котировок акций ПАО «Газпром» за период с 2020 по 2025 год. Исследованы методы прогнозирования временных рядов, включая ARIMA, Prophet и LSTM. На основе сравнительного анализа выбрана модель LSTM с точностью MAPE 4,2% на тестовой выборке.
Разработан программный модуль на Python с использованием библиотек TensorFlow и Pandas. Модель позволяет прогнозировать котировки на 5 торговых дней вперёд. Экономический расчёт показал, что внедрение системы может снизить убытки на 18% при объёме торгов 10 млн руб./мес.
Рекомендуется использовать данную модель в качестве вспомогательного инструмента для трейдеров и аналитиков. Дальнейшее развитие — интеграция с API биржи и добавление макроэкономических факторов.
Требования к списку литературы ВШЭ
Список должен содержать не менее 20 источников, из них:
- 10+ — научные статьи (CyberLeninka, eLibrary);
- 3+ — нормативные документы (ГОСТ, законы);
- 5+ — за последние 3 года;
- оформление — по ГОСТ Р 7.0.100-2018.
Примеры источников:
- ГОСТ Р 7.0.100-2018. Система стандартов по информации, библиотечному и издательскому делу. Доступ: https://docs.cntd.ru/document/1200155780
- Хомский Н. Глубокое обучение для временных рядов. // Открытые системы. 2024. №3. С. 45–52. Доступ: https://cyberleninka.ru/article/n/glubokoe-obuchenie-dlya-vremennyh-ryadov
- Yahoo Finance. Historical Data: GAZP.ME. Доступ: https://finance.yahoo.com/quote/GAZP.ME/history
⚠️ Типичные ошибки при написании Прогнозирование курса акций Газпрома
- Ошибка: Использование только цены закрытия без учёта объёмов, дивидендов, новостей → Решение: Добавьте внешние факторы через feature engineering.
- Ошибка: Сравнение моделей только по визуализации → Как проверить: Используйте MAE, RMSE, MAPE, R².
- Ошибка: Код без комментариев и описания → Чек-лист: Каждый блок кода — с пояснением в тексте.
- Ошибка: Экономический расчёт без привязки к реальным данным → Решение: Используйте реальную доходность портфеля до и после прогноза.
Частые вопросы по теме «Прогнозирование курса акций Газпрома»
- В: Сколько страниц должна быть практическая часть? О: В ВШЭ — 30–40 стр. с кодом, графиками, описанием архитектуры модели. Смотрите методичку кафедры.
- В: Нужен ли реальный код в приложении? О: Да. Обязательны фрагменты ключевых модулей: загрузка данных, обучение модели, прогноз. Объём — до 400 строк.
- В: Как проверить уникальность перед сдачей? О: Через Антиплагиат.ВУЗ с настройками ВШЭ. Уникальность должна быть >75%.
- В: Можно ли использовать готовый ноутбук с Kaggle? О: Можно, но с переработкой: изменение архитектуры, данных, интерпретации. Без адаптации — низкая уникальность.
- В: Какие библиотеки использовать? О: TensorFlow/Keras для LSTM, Scikit-learn для XGBoost, Prophet от Meta, Pandas/NumPy для обработки.
Вопросы, которые часто задают студенты
Можно ли использовать готовые решения в ВКР?
Да, но с адаптацией. Например, возьмите LSTM-модель с Kaggle, но измените архитектуру, добавьте новые признаки (объёмы, индексы), обучите на данных Газпрома. Важно показать понимание, а не копирование.
Сколько страниц должна быть практическая часть?
В ВШЭ — 30–40 страниц. Включайте: схему архитектуры, код с пояснениями, графики прогноза, таблицы метрик. Не просто листинг — анализ каждого этапа.
Можно ли использовать open-source решения?
Да, и это даже приветствуется. Например, Prophet от Meta, LSTM из TensorFlow. Главное — указать источник, адаптировать под задачу и объяснить выбор в тексте.
✅ Чек-лист перед защитой Прогнозирование курса акций Газпрома
- □ Все задачи из введения выполнены и отражены в заключении
- □ Структура соотвествует требованиям методички ВШЭ
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Работа содержит реальные данные, а не шаблоны
- □ Код в приложении читаем, с комментариями
- □ Экономический расчёт привязан к реальным цифрам
- □ MAPE/RMSE рассчитаны и проанализированы
Застряли на этапе экономического расчёта? Наши эксперты по Прикладная информатика помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
⭐ MAКСПроверьте 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?
Нужна помощь с вашей работой?