Використання методiв машинного навчання для прогнозування волатильностi фондових ринкiв на основi макроекономiчних показникiв та зовнiшнiх шокових факторiв

Abstract

Дипломна робота присвячена розробці моделі прогнозування волатильності фондових ринків в умовах складної динаміки, міжсекторних залежностей та впливу зовнішніх факторів. Дослідження охоплює побудову багатокомпонентної системи, що поєднує графове моделювання міжсекторних зв’язків, аналіз зовнішніх факторів та нейромережеву модель прогнозування з використанням сучасних методів машинного навчання. Запропонований підхід дозволяє інтегрувати фінансові, макроекономічні, інституційні та соціально-культурні дані в єдину модель.

The thesis is devoted to the development of a model for stock market volatility forecasting under conditions of complex dynamics, inter-sector dependencies, and external influences. The study covers the design of a multi-component system that combines graph based modeling of sector relationships, external factor analysis, and a neural forecasting model using modern machine learning approaches. The proposed framework enables the integration of financial, macroeconomic, institutional, and socio-cultural data into a unified predictive system.