Герасименко, О. Ю.Ігнатюк, С. В.Herasymenko, Oksana Yu.Ihnatiuk, Serhii V.2022-10-052022-10-052021https://doi.org/10.15589/znp2021.4(487).82311-3405 (Print)2313-0415 (Online)https://eir.nuos.edu.ua/handle/123456789/6112Герасименко, О. Ю. Управління інвестиційним портфелем із використанням алгоритмів машинного навчання = Investment portfolio management with machine learning algorithms / О. Ю. Герасименко, С. В. Ігнатюк // Зб. наук. пр. НУК. – Миколаїв : НУК, 2021. – № 4 (487). – С. 45–52.Отримання пасивного заробітку є однією з найпопулярніших тем сьогодення. Використання накопиченого людьми великого обсягу даних допомагає розв’язувати проблеми ефективніше та оминати помилки через людський фактор, зокрема, у сфері інвестування. Розвиток сучасних технологій, як-от машинне навчання та нейромережі, сприяв тому, що люди мають можливість вкладати свої кошти набагато ефективніше та безпечніше. Завдяки розробленим моделям нейромережа може майже точно передбачити подальшу ціну акції, використовуючи для навчання історичні дані за ціною акцій. У статті розроблено прогностичну модель для передбачення ціни акції компанії на фондовому ринку з використанням рекурентної нейронної мережі, а саме довгої короткочасної пам’яті, проведено оцінку точності її прогнозу. Задля доступності використання моделі пересічними користувачами розроблено телеграм-бот, до якого можна підключитися, вказати компанію та отримати прогноз за ціною її акції. Код програми-бота реалізовано мовою програмування Python із використанням спеціальних бібліотек для створення ботів. Модель нейромережі створено із застосуванням бібліотек машинного навчання Keras і TensorFlow. Мета дослідження – розробити прогностичну модель для передбачення в короткостроковій перспективі ціни акції компанії на фондовому ринку; створити телеграм-бот для її практичного використання. Методика. Порівняльний аналіз алгоритмів машинного навчання, емпіричне дослідження прогностичної моделі. Результати. За результатами порівняльного аналізу вибрано рекурентну нейронну мережу довгої короткочасної пам’яті для прогнозування ціни акції компанії на фондовому ринку. Спроєктовано відповідну модель нейронної мережі, реалізовано телеграм-бот для практичного застосування моделі. Наукова новизна. Дослідження має прикладний характер і полягає у вивченні особливостей застосування довгої короткочасної пам’яті для передбачення ціни акції компанії на фондовому ринку. Практична значимість роботи полягає в розробці телеграм-бота для допомоги інвесторам різних рівнів у аналізі та вирішенні питань інвестиційного портфеля.ukрекурентна нейронна мережадовга короткочасна пам’ятьKerasTensorFlowакція компаніїфондовий риноктелеграм-ботrecurrent neural networklong short term memoryKerasTensorFlowticker symbolstock markettelegram botArticle