ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ ВОЛАТИЛЬНОСТІ ФІНАНСОВИХ РИНКІВ

Анотація

Вступ. Цифровізація фінансового сектору, зростання обсягів інформаційних потоків і посилення нестабільності глобальних ринків підвищують значення прогнозування волатильності фінансових активів для систем фінансової аналітики та ризик-менеджменту. Традиційні економетричні моделі мають обмежену здатність адаптуватися до нелінійної динаміки ринку та кризових інформаційних змін, що актуалізує використання алгоритмів штучного інтелекту у процесах фінансового прогнозування.

Мета. Метою дослідження є розроблення та емпіричне оцінювання адаптивного підходу до прогнозування волатильності фінансових ринків на основі інтеграції економетричних моделей та алгоритмів штучного інтелекту.

Матеріали і методи. Матеріалами дослідження слугували наукові праці вітчизняних і зарубіжних учених у сфері фінансової аналітики, цифрових технологій, машинного навчання та ризик-менеджменту, а також статистичні дані фондового ринку. Інформаційну основу емпіричного дослідження сформовано на базі щоденних даних фондового індексу S&P 500 за 2020–2025 рр. У процесі дослідження використано методи теоретичного узагальнення, порівняльного та економіко-статистичного аналізу, методи машинного навчання, а також показники RMSE і MAE для валідації точності прогнозування моделей ARIMA, GARCH, RF та LSTM.

Результати. У статті розкрито економічну сутність волатильності фінансових ринків та визначено функціональні можливості моделей штучного інтелекту у процесах фінансового прогнозування. Проведено порівняльне оцінювання ефективності моделей ARIMA, GARCH, RF та LSTM у прогнозуванні ринкової волатильності. Встановлено, що модель LSTM забезпечила найвищу точність прогнозування та найнижчі значення RMSE і MAE порівняно з класичними економетричними моделями. Виявлено, що використання комбінованих моделей GARCH-LSTM дозволяє підвищити адаптивність прогнозування у кризових ринкових умовах та знизити рівень прогнозної похибки. Запропоновано адаптивний комбінований підхід до прогнозування волатильності фінансових ринків, який інтегрує аналіз часових рядів, алгоритми машинного навчання та модуль оцінювання інформаційного фону у межах єдиної системи фінансової аналітики та ризик-менеджменту.

Перспективи. Подальші дослідження доцільно спрямувати на розроблення пояснюваних моделей штучного інтелекту, удосконалення механізмів адаптивного перенавчання алгоритмів та інтеграцію поведінкової аналітики й макроекономічних індикаторів у системи прогнозування волатильності фінансових ринків.