Гнучка методологія ризик-менеджменту прийняття рішень стартап-проєктів на основі прогнозування цін акцій
DOI:
https://doi.org/10.31649/1681-7893-2025-49-1-7-19Ключові слова:
ризик-управління, прийняття рішень, стартап-проєкти, прогнозування цін акцій, машинне навчання, фінансові ризики, волатильність ринку, технічний аналіз, інвестиційні стратегіїАнотація
Стаття присвячена дослідженню проблематики ризик-управління під час прийняття рішень у стартап-проєктах, зокрема в умовах високої невизначеності та волатильності фінансових ринків. Для підвищення ефективності управління ризиками запропоновано метод прогнозування цін акцій на основі сучасних моделей машинного навчання, таких як Support Vector Regression, Random Forest і Gradient Boosting. Проведено експериментальні дослідження з використанням історичних фінансових даних, зібраних через API Yahoo Finance, які були очищені, нормалізовані та доповнені індикаторами технічного аналізу. Для оцінки точності прогнозів застосовано метрики середньоквадратичної помилки (MSE) і коефіцієнта детермінації (R²). Експерименти продемонстрували, що використання ансамблевих моделей і технік стека забезпечує високу якість прогнозування. На основі результатів розроблено веб-додаток для інтеграції прогнозів у процес прийняття рішень у стартап-проєктах. Додаток дозволяє інвесторам і менеджерам аналізувати ринкові тренди, оцінювати ризики та ухвалювати обґрунтовані рішення щодо інвестицій. Застосування запропонованої системи сприяє мінімізації ризиків і підвищенню стабільності фінансових результатів стартап-проєктів.
Посилання
Boxa, G. E. P., Jenkins, G. M. (2021). Forecasting Methods: Time Series and Regression Analysis. Kyiv: Naukova Dumka.
Zhang, G. (2020). Machine Learning for Financial Market Analysis. Journal of Financial Technology, 15(3), 145–160.
Fischer, A., Krauss, S. (2022). Deep Learning in Stock Price Forecasting: New Methods and Perspectives. International Journal of Financial Innovation, 12(2), 98–115.
Bollen, J., Mao, H., Zeng, X. (2021). The Impact of Social Media on Financial Markets: Theories and Practice. Journal of Financial Analytics, 43(4), 65–80.
Smith, W. (2023). Forecasting Models in High Market Volatility: Moving from Statistical to Neural Networks. Journal of Economic Science, 29(1), 150–168.
Stewart, K. (2020). The Effectiveness of Machine Learning Models in Forecasting Stock Market Dynamics. Journal of Technology and Innovation, 27(5), 200–212.
Lee, H., Kim, I. (2021). Financial Time Series Analysis: Using ARIMA and Neural Networks to Forecast Stock Prices. Economic Analysis, 35(6), 145–158.
Johnson, P., Brook, R. (2022). Modern Approaches to Stock Market Forecasting: Machine Learning and Behavioral Analysis. Financial Research, 51(7), 30–45.
Thompson, L. (2023). Startup Financial Strategies: From Forecasting to Mitigating Risk. Startups & Investments, 8(2), 70–82.
Lewis, R. (2020). Neural Networks for Financial Forecasting. Technical Journal of Financiers, 42(1), 56–65.
Simon, B., Werner, T. (2022). Market Forecasting: Integrating Macroeconomic Data and Social Media into Financial Analysis. Journal of Global Finance, 19(4), 78–92.
Park, J. (2023). Machine Learning in Startups: From Analysis to Forecasting Financial Risk. Financial Technology Bulletin, 5(3), 40–60.
Gomez, M. (2020). Market Trend Analysis: New Machine Learning Models for Stock Price Forecasting. Forecasting and Analysis, 17(2), 99–114.
Clark, R. (2024). Modern methods for forecasting stocks: A review of methods and practical applications. Journal of Investor Relations, 11(1), 120–135.
Sanderson, E. (2022). Social networks and financial markets: New tools for forecasting stock prices. International Economic Review, 38(7), 25–40.
Mitchell, P., Scott, R. (2020). Forecasting algorithms in investment management: The use of technical indicators and neural networks. Journal of Financial Management, 29(3), 65–80.
Lin, S. (2023). Using ensemble methods to forecast financial markets. Financial Analysis Strategies, 11(2), 50–65.
Holmes, T. (2021). Big Data-Based Forecasting: Using Artificial Intelligence to Manage Startup Risk. Journal of Business Strategy, 43(5), 88–102.
Williams, R. (2024). Deep Learning Models for Stock Price Forecasting: A Review and New Approaches. International Journal of Financial Innovation, 9(3), 72–85.
James, A. (2023). Risk Management in High Volatility Markets: Stock Price Forecasting in Startups. Journal of Investment Strategies, 11(2), 112–128.
Kennedy, L. (2021). Developing New Approaches to Forecasting Financial Markets: Deep Learning and Social Media. Financial Technology, 27(3), 78–91.
Baker, S. (2024). Stock prediction models in startup projects: using neural networks to reduce risks and improve returns. Economics and Finance, 19(4), 45–62.
##submission.downloads##
-
PDF
Завантажень: 14
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
