Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks: http://elartu.tntu.edu.ua/handle/lib/45101

Pealkiri: Використання нейронних мереж для задач інвестиційного аналізу
Teised pealkirjad: Use of neural networks for investment analysis problems
Autor: Манзій, Олександра Степанівна
Сеник, Юлія Андріївна
Пелех, Віталій Романович
Сеник, Андрій Петрович
Андрейчук, Станіслав Казимирович
Manziy, Oleksandra
Senyk, Yuliya
Pelekh, Vitalii
Senyk, Andriy
Andreychuk, Stanislav
Affiliation: Національний університет «Львівська політехніка», Львів, Україна
Національний лісотехнічний університет України, Львів, Україна
Lviv Polytechnic National University, Lviv, Ukraine
National Forestry University of Ukraine, Lviv, Ukraine
Bibliographic description (Ukraine): Використання нейронних мереж для задач інвестиційного аналізу / Манзій Олександра Степанівна, Сеник Юлія Андріївна, Пелех Віталій Романович, Сеник Андрій Петрович, Андрейчук Станіслав Казимирович // Галицький економічний вісник. — Т. : ТНТУ, 2024. — Том 87. — № 2. — С. 163–174. — (Фінанси, банківська справа, страхування та фондовий ринок ).
Bibliographic description (International): Manziy O., Senyk Y., Pelekh V., Senyk A., Andreychuk S. (2024) Vykorystannia neironnykh merezh dlia zadach investytsiinoho analizu [Use of neural networks for investment analysis problems]. Galician economic journal (Tern.), vol. 87, no 2, pp. 163-174 [in Ukrainian].
Is part of: Галицький економічний вісник, 2 (87), 2024
Galician economic journal, 2 (87), 2024
Journal/Collection: Галицький економічний вісник
Issue: 2
Volume: 87
Ilmumisaasta: 23-apr-2024
Submitted date: 2-vee-2024
Date of entry: 7-juu-2024
Kirjastaja: ТНТУ
TNTU
Place of the edition/event: Тернопіль
Ternopil
DOI: https://doi.org/10.33108/galicianvisnyk_tntu2024.02.163
UDC: 330.322.1 (004.413.4)
Märksõnad: портфель інвестицій
нейронні мережі
аналіз даних
візуалізація
інвестиції
активи
investment portfolio
neural networks
data analysis
visualization
investments
assets
Number of pages: 12
Page range: 163-174
Start page: 163
End page: 174
Kokkuvõte: Докладно описано функціональні особливості власного інформаційного розроблення для аналізу, прогнозування та ефективного управління інвестиційним портфелем із заданим рівнем ризику. Створений веб-додаток надає можливість формування індивідуального інвестиційного портфеля з широким спектром активів, включаючи акції, облігації, ETF, криптовалюти тощо. Окрім створення інвестиційного портфеля, веб-додаток пропонує комплексний аналіз портфеля, використовуючи розширені алгоритми та моделі машинного навчання. Використовуючи нейронні мережі, додаток аналізує загальний ризик портфеля, порівнюючи його із заданим індивідуальним профілем ризику користувача, надаючи рекомендації щодо оптимізації та перерозподілу активів. Зокрема використовується сіамська нейронна мережа для підбору фінансових інструментів у портфель із заданим рівнем ризику інвестора, а для аналізу рівня ризику портфеля, порівняння та перерозподілу активів у ньому використано багатошаровий Парцептрон. На основі аналізу тенденцій та схожості активів надано рекомендації щодо заміни активів у портфелі. Основними методами, які використовуються при аналізі, є візуалізація, обчислення статистик та прогнозування. Додаток також пропонує детальний аналіз окремих активів з описом, історичними даними та тенденціями цін. Для отримання вхідних даних (поточних й історичних курсів активів та інших їх фундаментальних показників) система використовує ефективний та доступний у використанні інструмент – FinanceModelingPrep API. Використання візуалізації дозволяє представити інформацію у зручній для сприйняття формі: графіки японських свічок, кругові діаграми дають можливість швидкого розуміння отриманих аналітичних результатів. Також у роботі здійснено огляд та аналіз найбільш вживаних сучасних спеціалізованих програмних продуктів, які використовуються у портфельному менеджменті. Запропонована інформаційна система є загальнодоступною та легкою у використанні. Робота сприяє розвитку інструментів для особистого інвестиційного менеджменту, розширюючи можливості самостійного фінансового планування. Описані методи дають можливість оцінити ефективність використання нейромереж при побудові та ефективному управлінні портфелем фінансових активів.
The work describes in detail the functional features of its information development for analysis, forecasting, and effective management of an investment portfolio with a given level of risk. The created web application provides an opportunity to create an individual investment portfolio with a wide range of assets, including stocks, bonds, ETFs, cryptocurrencies, etc. In addition to creating an investment portfolio, the web application offers comprehensive portfolio analysis using advanced algorithms and machine learning models. Using neural networks, the application analyzes the overall risk of the portfolio, comparing it to the given individual risk profile of the user, and providing recommendations for optimization and reallocation of assets. In particular, a Siamese neural network is used to select financial instruments in a portfolio with a given level of investor risk, and a multilayer Perceptron is used to analyze the risk level of the portfolio, and compare and redistribute assets. Based on the analysis of trends and similarities of assets, recommendations are provided for replacing assets in the portfolio. The main methods used in the analysis are visualization, calculation of statistics, and forecasting. Based on the analysis of trends and similarities of assets, recommendations are provided for replacing assets in the portfolio. The main methods used in the analysis are visualization, calculation of statistics, and forecasting. The app also offers a detailed analysis of individual assets with descriptions, historical data, and price trends. To receive input data (current and historical rates of assets and other fundamental indicators), the system uses an efficient and accessible tool – FinanceModelingPrep API. The use of visualization allows you to present information in an easy-to-understand form: graphs of Japanese candles, pie charts provide an opportunity to quickly understand the obtained analytical results. The work also includes a review and analysis of the most used modern specialized software products used in portfolio management. The proposed information system is publicly available and easy to use. The work contributes to the development of tools for personal investment management, expanding the possibilities of independent financial planning. The described methods make it possible to evaluate the effectiveness of the use of neural networks in the construction and effective management of a portfolio of financial assets.
URI: http://elartu.tntu.edu.ua/handle/lib/45101
ISSN: 2409-8892
Copyright owner: © Ternopil Ivan Puluj National Technical University, 2024
URL for reference material: https://doi.org/10.5937/tehnika2102220L
https://doi.org/10.1016/j.ejor.2021.04.044
https://doi.org/10.33108/galicianvisnyk_tntu2022.04.033
https://doi.org/10.23939/sisn2022.11.039
https://doi.org/10.33108/galicianvisnyk_tntu2023.05.060
https://doi.org/10.32718/nvlvet-e10102
https://doi.org/10.1007/s00500-020-04788-w
https://doi.org/10.3390/su12124833
https://doi.org/10.4135/9781412985215
References (Ukraine): 1. Кузьмін О. Є., Алєксєєв І. В., Колісник М. К. Проблеми фінансово-кредитного регулювання інноваційного розвитку виробничо-господарських структур: навч. посіб. Львів: НУ «Львівська політехніка», 2007. 152 с.
2. Сеник А. П., Манзій О. С., Пабирівський В. В. Застосування теорії ризику в інформаційних технологіях: навч. посіб. Львів: Сполом, 2024. 168 c.
3. Leković M. M. Historical development of portfolio theory. Tehnika. 2021. Vol. 76. No. 2. P. 220–227. DOI: https://doi.org/10.5937/tehnika2102220L
4. Richard D. F., Mazibas М. Portfolio optimization with behavioural preferences and investor memory, European Journal of Operational Research, 2022. Vol. 296. No. 1. P. 368–387. DOI: https://doi.org/10.1016/j.ejor.2021.04.044
5. Манзій О. С., Сеник А. П., Іваник І. А., Степанюк О. С., Сеник Ю. А. Інформаційна система підтримки динамічної диверсифікації інвестиційного фінансування. Галицький економічний вісник. 2022. № 4 (77). С. 33–44. DOI: https://doi.org/10.33108/galicianvisnyk_tntu2022.04.033
6. Сеник А. П, Манзій О. С., Футрик Ю. В., Степанюк О. С., Сеник Ю. А. Інформаційна система підтримки процесів прийняття рішень при формуванні портфеля цінних паперів. Вісник Національного університету «Львівська політехніка» «Інформаційні системи та мережі». 2022. № 11. С. 39–55. DOI: https://doi.org/10.23939/sisn2022.11.039
7. Дубиняк Т. С., Манзій О. С., Сеник А. П., Мінзюк Н. В., Сеник Ю. А. Аналіз банківських та валютних ризиків із використанням ІТ. Галицький економічний вісник. 2023. № 5 (84). С. 60–70. DOI: https://doi.org/10.33108/galicianvisnyk_tntu2023.05.060
8. Степанюк О., Сеник А. П,, Манзій О. С., Павлюк Н. В., Сеник Ю. А. Інформаційна система аналізу для сегментації портфеля цінних паперів продуктового ринку. НВ ЛНУ ветеринарної медицини та біотехнологій. Сер. Економічні науки. 2023. № 25 (101). С. 11–21. DOI: https://doi.org/10.32718/nvlvet-e10102
9. Xu Z., Zhang J., Wang J. Retracted article: Prediction research of financial time series based on deep learning. Soft Computing. 2022. Vol. 24. P. 8295–8312. DOI: https://doi.org/10.1007/s00500-020-04788-w
10. Rezaee Z., Aliabadi S., Dorestani A., Rezaee N. J. Application of time series models in business research: correlation, association, causation. Sustainability. 2020. Vol. 12. No. 12. P. 4833. DOI: https://doi.org/10.3390/su12124833
11. Brandt P.Т., Williams J.Т. Multiple time series models. Quantitative applications in the social sciences. Thousand Oaks, CA: SAGE Publications, Inc. 2007. 102 p. DOI: https://doi.org/10.4135/9781412985215
References (International): 1. Kuzjmin O. Je., Aljeksjejev I. V., Kolisnyk M. K. (2007). Problemy finansovo-kredytnogho reghuljuvannja innovacijnogho rozvytku vyrobnycho-ghospodarsjkykh struktur [Problems of financial and credit regulation of innovative development of production and economic structures]. Lviv: NU “Lviv Polytechnic”. (In Ukrainian).
2. Senyk A. P., Manziy O. S., Pabyrivskyi V. V. (2024). Zastosuvannja teoriji ryzyku v informacijnykh tekhnologhijakh. [Application of risk theory in information technologies]. Lviv: “Spolom”. (In Ukrainian).
3. Leković M. (2021). Historical development of portfolio theory. Tehnika, vol. 76, no. 2, pp. 220–227. DOI: https://doi.org/10.5937/tehnika2102220L
4. Richard D., Mazibas M. (2022). Portfolio optimization with behavioural preferences and investor memory. European Journal of Operational Research, vol. 296, no. 1, pp. 368–387. DOI: https://doi.org/10.1016/j.ejor.2021.04.044
5. Manziy O., Senyk A., Ivanyk I., Stepanyuk O. and Senyk Y. (2022). Informacijna systema pidtrymky dynamichnoji dyversyfikaciji investycijnogho finansuvannja [Information system supporting dynamic diversification of investment financing]. Galician economic journal, vol. 4, no. 77, pp. 33–44. (In Ukrainian). DOI: https://doi.org/10.33108/galicianvisnyk_tntu2022.04.033
6. Senyk A., Manziy O., Futryk Y., Stepanyuk O. and. Senyk Y (2022). Informacijna systema pidtrymky procesiv pryjnjattja rishenj pry formuvanni portfelja cinnykh paperiv [Information system supporting decision–making processes for forming of securities portfolio]. Journal of Lviv polytechnic National university “Information systems and networks”, vol. 11, pp. 39–55. (In Ukrainian). DOI: https://doi.org/10.23939/sisn2022.11.039
7. Dubynyak T., Manziy O., Senyk A., Minziuk N. and Senyk Y. (2023). Analiz bankivsjkykh ta valjutnykh ryzykiv iz vykorystannjam IT [Analysis of banking and currency risks using IT]. Galician economic journal, vol. 5, no. 84, pp. 60–70. (In Ukrainian). DOI: https://doi.org/10.33108/galicianvisnyk_tntu2023.05.060
8. Stepanyuk O., Senyk A., Manziy O., Pavlyuk N. and Senyk Y. (2023). Informacijna systema analizu dlja seghmentaciji portfelja cinnykh paperiv produktovogho rynku [Information system of analysis for segmentation of the securities portfolio of the product market]. Scientific Messenger of LNU of Veterinary Medicine and Biotechnologies. Series Economical Sciences, vol. 25, no. 101, pp. 11–21. (In Ukrainian). DOI: https://doi.org/10.32718/nvlvet-e10102
9. Xu Z., Zhang J., Wang J. (2020). Retracted article: Prediction research of financial time series based on deep learning. Soft Computing, vol. 24, pp. 8295–8312. DOI: https://doi.org/10.1007/s00500-020-04788-w
10. Rezaee Z., Aliabadi S., Dorestani A.and Rezaee N. (2020). Application of time series models in business research: correlation, association, causation. Sustainability, vol. 12, no. 12, p. 4833. DOI: https://doi.org/10.3390/su12124833
11. Brandt P., Williams J. (2007). Multiple time series models. Quantitative applications in the social sciences. Thousand Oaks, CA: SAGE Publications, Inc. 102 p. DOI: https://doi.org/10.4135/9781412985215
Content type: Article
Asub kollektsiooni(de)s:Галицький економічний вісник, 2024, № 2 (87)



Kõik teosed on Dspaces autoriõiguste kaitse all.