Создание системы прогнозирования цен акций с использованием модели LSTM
Написание выпускной квалификационной работы (ВКР) по направлению 09.03.02 «Информационные системы и технологии» — это серьёзное испытание для любого студента. Особенно когда тема требует глубокого погружения в сложные алгоритмы и экономические расчёты. Одной из таких актуальных и востребованных тем является «Создание системы прогнозирования цен акций с использованием модели LSTM». Эта тема сочетает в себе элементы машинного обучения, анализа финансовых данных и проектирования информационных систем, что делает её одновременно интересной и трудоёмкой.
Студенты сталкиваются с рядом проблем: нехватка времени, сложности в сборе и обработке реальных рыночных данных, необходимость соблюдать требования Синергии по структуре и оформлению. Предметная область — разработка системы прогнозирования акций на LSTM — требует не только технических знаний, но и понимания бизнес-процессов. В качестве условного предприятия выступает ООО «LSTM акции», чей основной процесс — создание — и подлежит автоматизации.
В этой статье вы найдёте подробную структуру ВКР по стандартам Синергии, описание содержания каждой главы, примеры расчётов и типичные сложности. Также приведены реальные формулировки, шаблоны и оценка трудоёмкости — всё, что нужно для понимания масштаба задачи.
ГЛАВА 1. АНАЛИТИЧЕСКАЯ ЧАСТЬ
1.1. Технико-экономическая характеристика предметной области и предприятия
В этом разделе раскрываются общие сведения о предметной области — финансовых рынках и прогнозировании цен акций, а также о предприятии ООО «LSTM акции». Описываются его организационная структура, цели деятельности, текущие бизнес-процессы и используемые технологии. Особое внимание уделяется роли аналитики и прогнозирования в принятии инвестиционных решений.
Пример содержимого: ООО «LSTM акции» специализируется на предоставлении аналитических сервисов для трейдеров и инвесторов. Основной продукт — прогнозы изменения стоимости акций на бирже. В настоящее время прогнозы строятся на основе экспертных оценок, что приводит к субъективности и низкой точности. Цель компании — повысить точность прогнозов за счёт внедрения нейросетевых моделей, в частности LSTM.
Сложности:
- Нехватка открытых данных о реальных компаниях, похожих на ООО «LSTM акции».
- Требование соответствия ГОСТу при описании структуры предприятия.
Время выполнения: 6–8 часов.
1.2. Характеристика комплекса задач и обоснование необходимости автоматизации
Здесь анализируется текущий процесс прогнозирования, выявляются его слабые места: медленная обработка данных, высокая погрешность, зависимость от человеческого фактора. Обосновывается необходимость автоматизации процесса создания прогнозов с помощью ИС на основе LSTM.
Пример содержимого: Ручной анализ временных рядов занимает до 8 часов на одну компанию. Ошибки прогноза достигают 15–20%. Автоматизация позволит сократить время до 15 минут и повысить точность до 90% за счёт обучения модели на исторических данных.
Сложности:
- Необходимость чётко сформулировать выгоды автоматизации.
- Требуется логическая связь с последующими главами.
Время выполнения: 6–8 часов.
1.3. Анализ существующих разработок и выбор стратегии автоматизации
Проводится обзор аналогичных систем: как коммерческих (например, Bloomberg Terminal), так и открытых решений (Prophet, ARIMA, другие LSTM-модели). Оцениваются их достоинства и недостатки. На основе анализа выбирается стратегия — разработка собственной системы с использованием LSTM.
Пример содержимого: Анализ показал, что коммерческие решения дороги и не адаптируемы. Открытые библиотеки (TensorFlow, Keras) позволяют реализовать LSTM-модель с гибкой настройкой. Стратегия — разработка системы с использованием Python и API биржевых данных.
Сложности:
- Поиск достоверных источников о существующих системах.
- Необходимость объективного сравнения.
Время выполнения: 8–10 часов.
1.4. Обоснование проектных решений
Формулируются ключевые технические решения: выбор архитектуры ИС, платформы разработки, языка программирования, формата хранения данных. Обосновывается выбор модели LSTM перед другими (например, ARIMA или GRU).
Пример содержимого: LSTM выбрана за счёт способности учитывать долгосрочные зависимости в временных рядах. Для реализации используется Python 3.10, библиотеки Pandas, Scikit-learn, TensorFlow. Данные хранятся в SQLite, интерфейс — веб-приложение на Flask.
Сложности:
- Требуется глубокое понимание моделей машинного обучения.
- Необходимо избегать технического жаргона, сохраняя научный стиль.
Время выполнения: 8–10 часов.
Выводы по главе 1
Аналитическая часть показала актуальность автоматизации процесса прогнозирования цен акций. Выявлены недостатки текущей практики в ООО «LSTM акции». Обоснован выбор LSTM-модели как наиболее подходящего инструмента. Определены технические и экономические предпосылки для реализации проекта.
Время выполнения: 4–6 часов.
Почему 350+ студентов Синергии выбрали нас в 2025 году
- Оформление по всем требованиям вашего вуза (мы работаем с Синергией с 2010 года)
- Поддержка до защиты включена в стоимость
- Доработки без ограничения сроков
- Гарантия уникальности 90%+ по системе "Антиплагиат.ВУЗ"
ГЛАВА 2. ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ
2.1. Разработка проекта автоматизации
Описывается архитектура системы: модули ввода данных, предобработки, обучения модели, прогнозирования и визуализации. Приводятся схемы (например, диаграмма потоков данных). Обосновывается выбор технологии и структуры.
Пример содержимого: Система состоит из трёх слоёв: клиентский (веб-интерфейс), серверный (Flask-приложение), база данных. Модель LSTM обучается на исторических данных MOEX. Прогнозы выводятся в виде графиков и таблиц.
Сложности:
- Необходимость корректно оформить схемы по ГОСТу.
- Требуется логическая последовательность при описании модулей.
Время выполнения: 10–12 часов.
2.2. Информационное обеспечение задачи
Описывается структура базы данных: таблицы, поля, типы данных. Приводятся примеры SQL-запросов и ER-диаграмма. Обосновывается выбор формата хранения (CSV, SQLite, JSON).
Пример содержимого: Основная таблица — stock_prices с полями: id, ticker, date, open, high, low, close, volume. Данные загружаются через API Tinkoff Invest. Используется SQLite для локального хранения.
Сложности:
- Ошибки в проектировании БД (нарушение нормализации).
- Необходимость согласования структуры с программной частью.
Время выполнения: 8–10 часов.
2.3. Программное обеспечение задачи
Приводится описание реализации системы: кодовые фрагменты, алгоритм обучения LSTM, параметры модели (количество слоёв, epochs, batch size). Указывается используемое ПО и среда разработки.
Пример содержимого: Модель содержит два LSTM-слоя по 50 нейронов, функция потерь — MSE, оптимизатор — Adam. Обучение проводится на 100 эпохах. Код реализован в Jupyter Notebook, затем интегрирован в Flask-приложение.
Сложности:
- Технические ошибки в коде, влияющие на уникальность.
- Необходимость объяснить алгоритм без излишней детализации.
Время выполнения: 12–15 часов.
2.4. Контрольный пример реализации проекта и его описание
Приводится пример работы системы: исходные данные, процесс прогнозирования, результат (график, точность). Оценивается ошибка модели (MAPE, RMSE). Показывается, как система решает поставленную задачу.
Пример содержимого: Прогноз для акций Сбербанка на 7 дней вперёд. MAPE составил 2,3%. На графике видно совпадение тренда. Пример включает скриншот интерфейса и таблицу с данными.
Сложности:
- Подбор репрезентативного примера.
- Оформление иллюстраций по ГОСТу.
Время выполнения: 8–10 часов.
Выводы по главе 2
Спроектирована и реализована система прогнозирования цен акций на основе модели LSTM. Разработано программное и информационное обеспечение. Проведён контрольный пример, подтвердивший работоспособность системы. Архитектура соответствует поставленным задачам.
Время выполнения: 4–6 часов.
ГЛАВА 3. ОБОСНОВАНИЕ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРОЕКТА
3.1. Выбор и обоснование методики расчёта экономической эффективности
Обосновывается выбор метода расчёта — например, сравнительный анализ затрат «до» и «после» внедрения. Указываются учитываемые статьи расходов: разработка, сопровождение, экономия времени.
Пример содержимого: Используется метод расчёта годовой экономии за счёт сокращения трудозатрат аналитиков. До внедрения — 40 часов в неделю, после — 5 часов. Экономия — 35 часов × 1000 руб/час = 35 000 руб/неделя.
Сложности:
- Подбор реалистичных экономических данных.
- Согласование методики с требованиями вуза.
Время выполнения: 6–8 часов.
3.2. Расчёт показателей экономической эффективности проекта
Выполняются расчёты: годовая экономия, срок окупаемости, чистый дисконтированный доход (если требуется). Приводятся таблицы и формулы.
Пример содержимого: Годовая экономия — 1 820 000 руб. Стоимость разработки — 300 000 руб. Срок окупаемости — 2 месяца. Проект экономически эффективен.
Сложности:
- Ошибки в формулах.
- Необходимость объяснения терминов (NPV, IRR и др.).
Время выполнения: 8–10 часов.
Выводы по главе 3
Расчёты показали высокую экономическую эффективность проекта. Срок окупаемости составляет менее 3 месяцев. Внедрение системы прогнозирования на основе LSTM оправдано с финансовой точки зрения.
Время выполнения: 4–6 часов.
Заключение
ВКР по теме «Создание системы прогнозирования цен акций с использованием модели LSTM» — это комплексный проект, требующий глубокого анализа, технических навыков и экономического обоснования. Объём работы составляет 60–80 страниц, включая графики, таблицы и приложения. Каждая глава требует внимательного подхода: от анализа предметной области до расчёта экономической эффективности.
Время выполнения: 6–8 часов.
Список используемой литературы
Подбор источников (от 40–50): научные статьи, ГОСТы, учебники по машинному обучению, экономике, ИС. Источники должны быть актуальными (2018–2025 гг.) и соответствовать теме.
Время выполнения: 4–6 часов.
Приложения
Включают: полный код программы, скриншоты интерфейса, таблицы с данными, результаты обучения модели. Оформляются по ГОСТу.
Время выполнения: 4–6 часов.
| Раздел | Время (часы) |
|---|---|
| Введение | 6–8 |
| Глава 1 | 26–32 |
| Глава 2 | 46–55 |
| Глава 3 | 18–24 |
| Заключение | 6–8 |
| Литература | 4–6 |
| Приложения | 4–6 |
| Итого | 110–140 |
Примечание: С учётом правок, согласований и переписывания — общая трудоёмкость составляет 150–200 часов.
Готовые инструменты и шаблоны для Создание системы прогнозирования цен акций с использованием модели LSTM
Шаблоны формулировок:
- Актуальность: «С развитием финансовых рынков возрастает потребность в точных и автоматизированных методах прогнозирования цен акций. Использование модели LSTM позволяет учитывать долгосрочные зависимости в временных рядах, что делает её перспективной для применения в информационных системах аналитики.»
- Цель: «Разработка и реализация системы прогнозирования цен акций на основе модели LSTM для повышения точности и скорости аналитических выводов в ООО «LSTM акции».»
- Задачи: «1. Провести анализ предметной области. 2. Обосновать необходимость автоматизации. 3. Спроектировать информационную систему. 4. Реализовать модель LSTM. 5. Оценить экономическую эффективность.»
Пример таблицы (расчёт экономии времени):
| Показатель | До внедрения | После внедрения | Экономия |
|---|---|---|---|
| Время на прогноз (часы/неделя) | 40 | 5 | 35 |
| Стоимость часа (руб) | 1000 | 1000 | — |
| Недельная экономия (руб) | — | — | 35 000 |
Чек-лист «Оцени свои силы»:
- Есть ли у вас доступ к реальным данным по акциям (например, через API)?
- Уверенно ли вы владеете Python и библиотеками для машинного обучения?
- Готовы ли вы тратить 4–6 часов в день на 2–3 месяца?
- Есть ли опыт написания ВКР по техническим темам?
- Достаточно ли у вас времени до дедлайна?
И что же дальше? Два пути к успешной защите
Путь 1. Самостоятельный:
Вы уже видели, что работа требует более 150 часов. Нужно глубоко погружаться в LSTM, разбираться в экономике, оформлять по ГОСТу. Есть риск стресса, ошибок, многочисленных правок и срыва сроков. Но вы получите максимум опыта.
Путь 2. Профессиональный:
Мы берём на себя весь процесс — от анализа до защиты. Вы получаете качественную, уникальную работу, оформленную по Синергии, с поддержкой до последнего этапа. Экономите время, снижаете риски, сохраняете нервы.
Заключение
Тема «Создание системы прогнозирования цен акций с использованием модели LSTM» — это серьёзный вызов, сочетающий техническую сложность, аналитическую глубину и экономическое обоснование. Структура ВКР требует системного подхода, строгого соблюдения ГОСТа и внимания к деталям. Объём работы, расчёты, программная реализация — всё это требует времени и опыта. Выбор за вами: погрузиться в процесс полностью или доверить его профессионалам. В любом случае — мы готовы помочь на любом этапе.