Browsing by Author "Штанг, Н. Д."

Now showing 1 - 3 of 3

ЗАСТОСУВАННЯ БІЗНЕС АНАЛІТИКИ ВЕЛИКИХ ДАНИХ В ПОКРАЩЕННІ УПРАВЛІННЯ БІЗНЕС ПРОЦЕСАМИ КОМПАНІЇ
(2023) Штанг, Н. Д.
Ця робота досліджує роль великих даних у покращенні управління проектами в бізнесі. У роботі розглянуто різні методи збору та аналізу даних, включаючи машинне навчання та аналіз текстів. Вона також обговорює виклики, пов'язані з використанням великих даних у проектному управлінні, та пропонує рішення для деяких з цих викликів, а саме програму для автоматичного розрахунку та аналізу фінансової стійкості підприємства на основі великих даних. / This work explores the role of big data in improving project management in business. The paper examines various methods of data collection and analysis, including machine learning and text analysis. It also discusses challenges associated with the use of big data in project management and proposes solutions to some of these challenges, specifically a program for automated calculation and analysis of a company's financial stability based on big data.
РОЗРОБКА СЕРВІСУ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ НОВИН НА ЗМІНУ ЦІН ФІНАНСОВИХ ІНСТРУМЕНТІВ
(2024) Штанг, Н. Д.
Ця стаття висвітлює нагальну потребу в ефективних інструментах аналізу фінансового ринку в епоху великих даних та штучного інтелекту. Ми представляємо новий програмний сервіс, який інтегрує аналіз настроїв новин у реальному часі з прогнозуванням ринку акцій, покращуючи точність та швидкість прийняття торгових рішень. Система використовує API для збору даних, Fin BERT для аналізу настроїв та Mongo DB для зберігання даних, усуваючи обмеження існуючих платформ, таких як Investing.com та Market Watch. Наша методологія поєднує аналіз настроїв із авторегресійними моделями для прогнозування цін акцій 11 основних компаній. У експерименті було використано 141 спостереження, де застосовувалися моделі множинної регресії та бінарних результатів. Результати показують, що інвесторські настрої значно впливають на ціни акцій для 2 із 11 компаній, причому для Meta коефіцієнт детермінації зміни напрямку цін на основі настроїв досягає 70%. Дослідження виявляє, що врахування як кількісних (попередні ціни акцій), так і якісних (настрої) даних покращує точність прогнозування для певних акцій. Це дослідження робить внесок у сферу фінансової аналітики, пропонуючи більш комплексний підхід до прогнозування цін акцій, що інтегрує моделі машинного навчання та аналітику даних для підтримки обґрунтованих рішень у динамічних фінансових ринках. This paper addresses the critical need for efficient market analysis tools in the era of big data and artificial intelligence. We present a novel software service that integrates real-time news sentiment analysis with stock market prediction, enhancing the accuracy and speed of trading decisions. The system employs APIs for data collection, FinBERT for sentiment analysis, and MongoDB for data storage, overcoming limitations of existing platforms like Investing.com and MarketWatch. Our methodology combines sentiment analysis with autoregressive models to forecast stock prices for 11 major companies. The experiment utilized 141 observations, applying multiple regression and binary outcome models. Results demonstrate that investor sentiment significantly affects stock prices for 2 out of 11 companies, with Meta showing a 70% determination coefficient in price direction changes based on sentiment. The study reveals that incorporating both quantitative (previous stock prices) and qualitative (sentiment) data improves forecast accuracy for certain stocks. This research contributes to the field of financial analytics by providing a more comprehensive approach to stock price prediction, integrating ML models and data analytics to support informed decision-making in dynamic financial markets.
РОЗРОБКА СИСТЕМИ ВИЗНАЧЕННЯ ВПЛИВУ НОВИН НА ЗМІНУ ЦІН ФІНАНСОВИХ ІНСТРУМЕНТІВ
(2024) Штанг, Н. Д.
Ця кваліфікаційна робота вирішує критичну потребу в ефективних інструментах аналізу ринку в епоху великих обсягів даних і штучного інтелекту. Представлено новий програмний сервіс, який інтегрує аналіз настроїв новин у реальному часі з прогнозуванням фондового ринку, підвищуючи точність і швидкість прийняття торгових рішень. У дослідженні було представлено новий сервіс, який інтегрує аналіз настроїв новин у реальному часі з прогнозуванням фондового ринку, долаючи обмеження існуючих інструментів. Цей сервіс автоматизує збір і аналіз даних за допомогою API, забезпечуючи трейдерів і інвесторів своєчасними та актуальними інсайтами. Сервіс використовує API для збору даних, FinBERT для аналізу настроїв та MongoDB для зберігання даних, подолавши обмеження таких платформ, як Investing.com і MarketWatch. Методологія поєднує аналіз настроїв з авторегресійними моделями для прогнозування цін акцій 11 основних компаній. У експерименті було використано 141 спостереження, застосовуючи множинну регресію та моделі з бінарним результатом. Результати показують, що настрій інвесторів має значний вплив на ціни акцій для 2 з 11 компаній, причому Meta демонструє коефіцієнт детермінації 70% у змінах напрямку ціни на основі настрою. Дослідження показує, що врахування як кількісних (попередні ціни акцій), так і якісних (настрій) даних підвищує точність прогнозу для окремих акцій. Це дослідження вносить свій внесок у галузь фінансової аналітики, надаючи більш комплексний підхід до прогнозування цін акцій, інтегруючи моделі ARIMA та аналітику даних для підтримки обґрунтованого прийняття рішень у динамічних фінансових ринках. / This qualification work addresses the critical need for efficient market analysis tools in the era of large amounts of data and artificial intelligence. a novel software service is presented that integrates real-time news sentiment analysis with stock market prediction, enhancing the accuracy and speed of trading decisions. Research presented a novel service that integrates real-time news sentiment analysis with a stock market forecasting service, overcoming the limitations of existing tools. This service automates the collection and analysis of data using APIs, ensuring that traders and investors receive timely and relevant insights. The service employs APIs for data collection, FinBERT for sentiment analysis, and MongoDB for data storage, overcoming limitations of existing platforms like Investing.com and MarketWatch. Methodology combines sentiment analysis with autoregressive models to forecast stock prices for 11 major companies. The experiment utilized 141 observations, applying multiple regression and binary outcome models. Results demonstrate that investor sentiment significantly affects stock prices for 2 out of 11 companies, with Meta showing a 70% determination coefficient in price direction changes based on sentiment. The study reveals that incorporating both quantitative (previous stock prices) and qualitative (sentiment) data improves forecast accuracy for certain stocks. This research contributes to the field of financial analytics by providing a more comprehensive approach to stock price prediction, integrating ARIMA models and data analytics to support informed decision-making in dynamic financial markets.