РОЗРОБЛЕННЯ АВТОМАТИЗОВАНОЇ ІНФОРМАЦІЙНОЇ СИСТЕМИ ФІНАНСОВОГО КОНСУЛЬТУВАННЯ ДЛЯ ГЕНЕРАЦІЇ ПЕРСОНАЛІЗОВАНИХ ІНВЕСТИЦІЙНИХ ПОРТФЕЛІВ

Abstract

Дисертаційну роботу присвячено вирішенню актуальної науково-практичної задачі розроблення автоматизованої інформаційної системи фінансового консультування, призначеної для генерації персоналізованих інвестиційних портфелів. Актуальність обраної тематики пояснюється необхідністю забезпечення доступних та ефективних фінансових консультацій широкому колу користувачів, зокрема у контексті високої інфляції та обмеженої ефективності традиційних способів заощадження, таких як банківські депозити. У вступі до роботи розкрито актуальність теми, визначено мету, завдання, об'єкт, предмет і методи дослідження. Зазначено, що сучасні системи автоматизованого фінансового консультування (Robo-Advisors) набувають популярності завдяки доступності, зручності використання, низькому порогу входу та можливості налаштування персоналізованих параметрів інвестиційних портфелів. Перший розділ дисертації присвячено аналізу сучасних досліджень за темою дисертаційної роботи та існуючих підходів у сферах автоматизованих систем фінансового консультування та застосуванню засобів машинного навчання у фінансовій галузі. Доведено актуальність застосування методів і алгоритмів машинного навчання, зокрема нейронних мереж LSTM, для прогнозування ціни фінансових інструментів. Проаналізовано переваги поєднання класичної теорії Марковіца з сучасними методами машинного навчання, що дозволяє значно підвищити ефективність інвестиційних рішень. Також у першому розділі висвітлюються проблеми, з якими можуть зіштовхнутися інвестори-початківці. Зазначено важливість психологічних аспектів і врахування індивідуальних особливостей інвесторів. Другий розділ присвячено обґрунтуванню методологічних підходів до задач прогнозування цін на фінансові інструменти, побудови початкового інвестиційного портфелю та його подальшому ребалансуванні. Також в другому розділі представлено розроблену архітектуру системи фінансового консультування, яка передбачає використання мікросервісної архітектури. Описано модулі прогнозування цін фінансових інструментів, формування та ребалансування портфелів, а також можливості взаємодії з користувачами через месенджери. Детально обґрунтовано використання моделі Марковіца та моделей прогнозування на основі множинної лінійної регресії та нейронних мереж LSTM. Також описано модель забезпечення постійного рівня споживання за допомогою алгоритму, що дозволяє визначити оптимальний розподіл заощаджень для інвесторів. Третій розділ присвячений експериментальному тестуванню запропонованих методів та алгоритмів. Проведені дослідження показали високу ефективність LSTM-мереж для прогнозування валютних пар з похибкою менше 0,5%. Алгоритм множинної лінійної регресії продемонстрував високу ефективність прогнозування ціни закриття для усіх типів активів, що розглядаються в дослідженні. Порівняльний аналіз різних методів формування інвестиційного портфелю показав перевагу використання прогнозних даних для зниження втрат інвестиційного портфеля у періоди ринкової нестабільності. Запропонований алгоритм ребалансування портфеля на основі фінансових індикаторів показав перевагу над традиційною стратегією «купи і тримай», забезпечуючи стабільність портфеля навіть у кризові періоди. У результаті дослідження створено практичне рішення у вигляді чат-бота, що дозволяє автоматично надавати персоналізовані фінансові рекомендації широкому колу користувачів без спеціальних фінансових знань. Реалізована система забезпечує високу безпеку персональних даних, зручність використання та можливість подальшого масштабування. Отримані теоретичні результати мають наукову новизну, яка полягає у поєднанні класичної портфельної теорії Марковіца з сучасними методами машинного навчання для підвищення якості інвестиційних портфелів. Також було експериментально доведено ефективність запропонованого автором алгоритму ребалансування інвестиційного портфелю, як під час економічного циклу зростання, так і в період глобальної рецесії. Практична значущість дослідження полягає у створенні окремих модулів автоматизованої системи фінансового консультування, які можуть бути впроваджені в повноцінний Robo-Advisor сервіс відповідно до розробленої архітектури.

The dissertation is devoted to solving the relevant scientific and practical problem of developing an automated financial consulting information system to generate personalized investment portfolios. The relevance of the chosen topic is explained by the need to provide accessible and effective financial advice to a wide range of users, particularly in the context of high inflation and the limited effectiveness of traditional savings methods, such as bank deposits. The introduction reveals the topic's relevance and defines the study's purpose, objectives, object, subject, and methods. It is noted that modern automated financial advisory systems (Robo-Advisors) are gaining popularity due to their accessibility, ease of use, low entry threshold, and the ability to customize personalized parameters of investment portfolios. The first section of the dissertation is devoted to the analysis of current research on the topic of the study and existing approaches in the areas of automated financial advisory systems and the use of machine learning tools in the financial industry. The relevance of using machine learning methods, particularly LSTM neural networks, for forecasting the value of financial instruments is proved. The advantages of combining the classical Markowitz theory with modern machine learning methods are analyzed, which can significantly improve the efficiency of investment decisions. The first section also highlights the problems that novice investors may face. The importance of psychological aspects and considering individual investor characteristics is highlighted. The second section is devoted to substantiating methodological approaches to forecasting prices for financial instruments, building an initial investment portfolio, and its subsequent rebalancing. The second section also presents the developed architecture of the financial advisory system, which involves microservice architecture. The modules for forecasting the prices of financial instruments, forming and rebalancing portfolios, and the possibilities of interaction with users through messengers are described. The use of the Markowitz model and forecasting models based on multiple linear regression and LSTM neural networks is substantiated in detail. The study also describes a model for ensuring a constant level of consumption, which allows for determining the optimal distribution of savings for investors. The third section is devoted to experimental testing of the proposed methods and algorithms. The studies have shown the high efficiency of LSTM networks for forecasting currency pairs with an error of less than 0.5%. The multiple linear regression algorithm has demonstrated high efficiency in predicting the closing price for all types of assets considered in the study. A comparative analysis of different methods of investment portfolio formation has shown the advantage of using forecast data to reduce investment portfolio losses in times of market instability. The proposed algorithm of portfolio rebalancing based on financial indicators has shown an advantage over the traditional 'buy and hold' strategy, ensuring portfolio stability even in times of crisis. The study resulted in a practical solution: a chatbot that automatically provides personalized financial advice to a wide range of users without special financial knowledge. The implemented system ensures high security of personal data, ease of use, and the possibility of further scaling. The obtained theoretical results have a scientific novelty, combining the classical Markowitz portfolio theory with modern machine learning methods to improve the quality of investment portfolios. The algorithm's effectiveness for rebalancing an investment portfolio proposed by the author has been experimentally proven during the economic growth cycle and the global recession. The study's practical significance lies in creating individual modules of an automated financial advisory system that can be implemented in a full-fledged Robo-Advisor service per the developed architecture.