A hybrid AI model for financial market prediction

Simple item page
dc.contributor.authorVoitishyn, Mykyta en_US
dc.contributor.authorKuzmenko, Dmytro en_US
dc.date.accessioned2026-02-04T07:56:41Z
dc.date.available2026-02-04T07:56:41Z
dc.date.issued2025
dc.descriptionУ статті досліджено можливості гібридного підходу до прогнозування фінансових ринків із застосуванням методів штучного інтелекту. Основну увагу приділено аналізу впливу різних архітектур моделей та наборів ознак на якість прогнозування часових рядів у фінансовому середовищі з високою невизначеністю. Запропоновано поєднання традиційних статистичних моделей, простих нейронних мереж та баєсівських нейронних мереж для моделювання як прогнозного значення, так і масштабної невизначеності. Особливу увагу приділено інженерії ознак, зокрема інтеграції макроекономічних індикаторів, технічних показників, а також поведінкових сигналів на основі аналізу настроїв з Twitter. Результати експериментів показують, що хоча лінійні моделі досягають найменшої середньоквадратичної помилки, саме баєсівські нейронні мережі забезпечують надійніші прогнози завдяки врахуванню невизначеності. Аналіз підтверджує ефективність нашої інженерії ознак та демонструє потенціал поєднання кількісних і якісних даних у фінансовому прогнозуванні.uk_UA
dc.description.abstractFinancial time series modeling is increasingly complex due to volatility, unexpected breakouts, and the impact of external factors, such as macroeconomic indicators, investor sentiment, company fundamentals, and extreme shocks, like geopolitical events or market manipulations. This paper introduces a hybrid artificial intelligence framework that integrates traditional statistical methods, machine learning models, and Bayesian neural networks (BNNs) to improve predictive performance and uncertainty quantification in financial forecasting. The model leverages a variety of engineered features, including rolling statistics, technical indicators, anomaly scores, interpolated macroeconomic data, and transformer-based sentiment scores. A complete ablation study compares various architectures, including ARIMA, SARIMA, MLR, SNN, and BNN, across multiple prediction windows (1, 3, 5 days) and feature combinations. Results show that while linear models yield the lowest MSE for short-term predictions, they fail to capture non-linear dependencies and uncertainty. In contrast, BNNs offer more reliable mid-term predictions by estimating predictive distributions. The best BNN configuration (Normal distribution, constant variation, TanH activation, 1 hidden layer) achieved an MSE of 0.00022, confirming the advantage of uncertainty-adjusted modeling. Sentiment analysis and anomaly detection were especially impactful when combined with macroeconomic indicators, improving signal reliability and behavioral insight. Our findings highlight the importance of integrating diverse data sources and accounting for predictive uncertainty in financial applications. Additionally, the experiments revealed that compact network architectures often outperform deeper ones when paired with engineered features. All experiments were systematically tracked to ensure reproducibility and facilitate future model benchmarking. en_US
dc.identifier.citation111 en_US
dc.identifier.issn2617-3808
dc.identifier.issn2617-7323
dc.identifier.urihttps://doi.org/10.18523/2617-3808.2025.8.38-42
dc.identifier.urihttps://ekmair.ukma.edu.ua/handle/123456789/38253
dc.language.isoen en_US
dc.relation.sourceНаукові записки НаУКМА. Комп'ютерні наукиuk_UA
dc.statusfirst published en_US
dc.subjectprobability theory en_US
dc.subjectBayesian neural networks en_US
dc.subjectfinancial analysis en_US
dc.subjectuncertainty quantification en_US
dc.subjectanomaly detection en_US
dc.subjecttime-series forecasting en_US
dc.subjectarticle en_US
dc.subjectпрогнозування часових рядівuk_UA
dc.subjectбаєсівські нейронні мережіuk_UA
dc.subjectфінансовий аналізuk_UA
dc.subjectневизначеністьuk_UA
dc.subjectпошук аномалійuk_UA
dc.subjectаналіз настроївuk_UA
dc.titleA hybrid AI model for financial market prediction en_US
dc.title.alternativeРозробка гібридної моделі штучного інтелекту для прогнозування фінансових ринківuk_UA
dc.typeArticle en_US
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Voitishyn_Kuzmenko_A_hybrid_AI_model_for_financial_market_prediction.pdf
Size:
807.38 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Том 8