ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ЗА ДОПОМОГОЮ НЕЙРОМЕРЕЖІ З ПОСЛІДОВНО З'ЄДНАНИМИ LSTM БЛОКАМИ

Анотація

Удосконалення методів прогнозування часових рядів є важливим завданням для багатьох галузей, таких як фінанси, виробництво, військова справа, медицина та енергетика. Особливо актуальним є використання рекурентних нейронних мереж з блоками LSTM, які дозволяють ефективно враховувати довготривалі залежності у даних. Проте оптимальні архітектури LSTM та параметри, такі як кількість блоків і рівень Dropout, залишаються недостатньо дослідженими. Розробка та оптимізація морфології рекурентної нейронної мережі для прогнозування часових рядів з використанням LSTM блоків, інтеграція EMA (exponential moving average), RSI (relative strength index) та дослідження впливу різних параметрів моделі на точність прогнозування. У цій роботі застосовано метод оптимізатора Nadam для оптимізації морфології LSTM, який включає порівняння моделей з різними конфігураціями блоків LSTM (300–350 блоків), параметрів Dropout. Для навчання використовувались фінансові дані акцій Google (GOOGL), зібрані за допомогою бібліотеки yfinance, та метрики оцінювання точності, такі як MSE, RMSE, MAE, MAPE. Запропоновано оптимальну архітектуру LSTM для прогнозування часових рядів, яка враховує використання технічних індикаторів та оптимізатора Nadam. Дослідження показало, що модель з 350 блоками LSTM і Dropout 0.05 досягла мінімальної похибки 1.64% MAPE, що менша за результати попередніх досліджень. Запропоновані морфологічні та архітектурні рішення можуть бути використані для прогнозування цін акцій, обсягів продажів та задач в різних галузях, де потрібно прогнозування та аналіз часових рядів.