Розмір шрифта: 

Дана робота присвячена аналізу та порівнянню ефективності трьох провідних архітектур рекурентних нейронних мереж (RNN) глибокого навчання - LSTM, GRU та Bi-LSTM. Розглянуто застосування цих моделей для вирішення задачі прогнозування фінансових часових рядів, зокрема цін на акції. Проведено огляд архітектурних особливостей, що дозволяють цим моделям долати обмеження класичних RNN. Виконано порівняльний аналіз переваг та недоліків кожної архітектури з огляду на обчислювальну складність, швидкість навчання та точність прогнозування довгострокових залежностей.

часові ряди, прогнозування, ціни акцій, глибоке навчання, LSTM, GRU, Bi-LSTM, рекурентні нейронні мережі, зникаючий градієнт