Система принятия решений в сфере финансов на основе анализа потоков больших данных

Финансовая отрасль работает в различных областях, таких как управление рисками, обнаружение мошенничества, анализ прибыли, управление денежными потоками, инвестиционный анализ, и поэтому она гарантирует систему, в которой может быть правдоподобным иметь доступ к информации в режиме реального времени из всех аспектов. Финансовые большие потоки данных - это огромные, сложные и неструктурированные наборы данных, которые довольно сложно манипулировать и анализировать в реальном времени. В этой статье предлагаются модели машинного обучения для прогнозирования высокочастотного движения цен и волатильности в реальном времени. Модели ML, модели HAR и GARCH были протестированы на высокочастотных биржевых данных компании «Apple», и результаты этих исследований показывают, что применяемые модели дают относительно хорошие результаты по сравнению с SVM, деревьями решений, случайным лесом. Этот тезис в первую очередь направлен на решение задач анализа высокочастотных финансовых данных для нахождения подходящего аналитического решения для создания надежной системы поддержки принятия решений для финансовых отраслей. Выбранные финансовые данные с большими временными рядами имели большие размеры. Модели ML тестируются и их производительность прогнозирования измеряется на основе заранее определенных критериев эффективности, чтобы сделать вывод о их пригодности. Ключевые слова: высокочастотные финансовые данные, методы машинного обучения, система поддержки принятия решений и т. Д.