ІНТЕГРАЦІЯ ГЕНЕРАТИВНО-ЗМАГАЛЬНИХ МЕРЕЖ І СЕНТИМЕНТ-АНАЛІЗУ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ФОНДОВОГО РИНКУ

Ю. О. Перцев; Л. І. Коротка

doi:10.26661/2786-6254-2025-2-11

Ю. О. Перцев Український державний університет науки і технологій https://orcid.org/0009-0005-6244-3768
Л. І. Коротка Український державний університет науки і технологій https://orcid.org/0000-0003-0780-7571

DOI: https://doi.org/10.26661/2786-6254-2025-2-11

Ключові слова: генеративно-змагальні мережі (GAN), фінансові часові ряди, прогнозування цін акцій, FinBERT, сентимент-аналіз, обробка природної мови (NLP), глибоке навчання, ринковий сентимент, технічні індикатори

Анотація

Фондовий ринок характеризується високою волатильністю та багатофакторністю, що ускладнює завдання прогнозування цінових рухів. Традиційні статистичні методи, зокрема ARIMA та SARIMA, забезпечують точність для стаціонарних часових рядів, проте демонструють обмеження в разі нелінійних залежностей і структурних зламів. Використання глибоких нейронних мереж, як-от LSTM та GRU, дозволило враховувати довгострокові залежності, однак вони залишаються чутливими до нестабільності інформаційного середовища. У цьому контексті перспективним є застосування генеративно-змагальних мереж (GAN), здатних відтворювати складну динаміку фінансових рядів, генерувати синтетичні дані та підвищувати надійність моделей у разі обмеженості вибірки. Паралельно з розвитком моделей глибокого навчання набувають поширення методи обробки природної мови. Сентимент-аналіз фінансових новин виявився дієвим індикатором настроїв ринку, які часто випереджають цінові зміни. У цій роботі запропоновано інтегрований підхід до прогнозування динаміки цін акцій, що поєднує можливості GAN та NLP. Для експериментів використано п’ятирічні біржові дані компанії “Apple” (AAPL) у поєднанні з новинними матеріалами, обробленими за допомогою FinBERT. Модель TimeF-GAN з архітектурою на основі GRU та CNN поєднує технічні індикатори (MA21, MA7, MACD, смуги Боллінджера, обсяги торгів) із числовим відображенням ринкового сентименту. Результати дослідження підтвердили, що інтеграція новинних даних із класичними ринковими ознаками значно підвищує точність прогнозів. Зокрема, використання сентиментних характеристик дозволило знизити середню абсолютну похибку (MAE) та середньоквадратичну похибку (RMSE), а також покращити коефіцієнт детермінації (R²) порівняно з моделями, що працюють суто на фінансових рядах. Запропонований підхід демонструє практичну цінність для інвесторів і фінансових аналітиків, оскільки забезпечує більш точне та стійке прогнозування в умовах інформаційної турбулентності.

Посилання

1. Yoon J., Jarrett D., van der Schaar M. Time-series generative adversarial networks. In Advances in Neural Information Processing Systems (NeurIPS). 2019. P. 5509–5519.
2. Wiese M., Knobloch R., Korn R., Kretschmer P. Quant GANs: Deep generation of financial time series. Journal of Computational Finance. 2020. № 24 (4). P. 1–24.
3. Hariri S., Kind M., Brunner R. J. Time series forecasting using generative adversarial networks (GANs): A systematic review. ACM Computing Surveys. 2021. № 54 (6). P. 1–38.
4. Zhou Y., Zhang L., Wang J., Li S. Hybrid GAN-LSTM models for financial time series prediction. Expert Systems with Applications. 2023. № 213. P. 118897.
5. Wang X., Chen Y., Li Q., Yang S. Factor-GAN: A generative adversarial approach for multivariate financial time series forecasting. Neurocomputing. 2024. № 570. P. 126–139.
6. Kirisci M., Cagcag Y., Ozge A New CNN-Based Model for Financial Time Series: TAIEX and FTSE Stocks Forecasting. Neural Processing Letters. 2022. 54. DOI: 10.1007/s11063-022-10767-z
7. Xu R., Wang Z., Li M., Zhang H. VGC-GAN: Variational graph convolutional generative adversarial networks for multivariate stock prediction. Knowledge-Based Systems. 2024. 293. P. 111526.
8. Araci D. FinBERT: Financial sentiment analysis with pre-trained language models. arXiv preprint arXiv. 2019. 1908. P. 10063.
9. Yang T., Liu H., Zhao W., Zhou X. News-driven stock market forecasting with FinBERT-enhanced sentiment and GAN-based data augmentation. Information Sciences. 2025. 681. P. 202–218.
10. Liu Y., Wu X., Zhang K. Integrating FinBERT sentiment into GAN-based financial forecasting : A comparative study. Journal of Forecasting. 2025. 44 (2). P. 223–240.
11. Перцев Ю. О., Коротка Л. І. Порівняння нейронних мереж RNN та LSTM при прогнозуванні цін на фондовому ринку. Комп’ютерне моделювання та оптимізація складних систем : матеріали VIII Міжнародної науково-технічної конференції, м. Дніпро, 1–3 листопада 2023 р. 2023. С. 124–127.
12. Перцев Ю. О., Коротка Л. І. Нейромережеве прогнозування цін на фондовому ринку. Information Technologies in Metallurgy and Machine building : International scientific and technical conference, м. Дніпро, 22 березня 2023 р. 2023. С. 314–317.
13. Перцев Ю. О., Коротка Л. І. Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM. Системні технології. 2025. № 1 (156). С. 65–77.
14. Перцев Ю. О., Коротка Л. І. Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TIMESFM. Information Technologies in Metallurgy and Machine building : International scientific and technical conference, м. Дніпро, 10–11 квітня 2024 р. 2024. P. 434–439.
15. Перцев Ю. О., Коротка Л. І. Аналіз та адаптація генеративно-змагальних мереж до фінансових ринків. Таврійський науковий вісник. Серія «Технічні науки». 2025. № 2. С. 122–134. https://doi.org/10.32782/tnv-tech.2025.2.14
16. Ткаліченко С. В. Штучні нейронні мережі : навчальний посібник. Кривий Ріг : Державний університет економіки і технологій, 2023. 150 с.
17. Терейковський І. А., Бушуєв Д. А., Терейковська Л.О. Штучні нейронні мережі: базові положення : навчальний посібник. Київ : КПІ ім. Ігоря Сікорського, 2022. 123 с.
18. Субботін С. О. Нейронні мережі: теорія та практика : навчальний посібник. Житомир : вид. О. О. Євенок, 2020. 184 с.
19. Li J., Sun P., Huang Z., Liu Y. Volatility prediction using GAN-augmented time series and sentiment features. IEEE Transactions on Neural Networks and Learning Systems. 2023. № 34 (9). P. 4567–4579.
20. Santoro D., Grilli L. Generative adversarial network to evaluate quantity of information in financial markets. Neural Comput. Appl. 2022. № 34. P. 17473–17490. DOI: 10.1007/s00521-022-07401-3