330.322.1 (004.413.4) 

портфель інвестицій, нейронні мережі, аналіз даних, візуалізація, інвестиції, активи.

Докладно описано функціональні особливості власного інформаційного розроблення для аналізу, прогнозування та ефективного управління інвестиційним портфелем із заданим рівнем ризику. Створений веб-додаток надає можливість формування індивідуального інвестиційного портфеля з широким спектром активів, включаючи акції, облігації, ETF, криптовалюти тощо. Окрім створення інвестиційного портфеля, веб-додаток пропонує комплексний аналіз портфеля, використовуючи розширені алгоритми та моделі машинного навчання. Використовуючи нейронні мережі, додаток аналізує загальний ризик портфеля, порівнюючи його із заданим індивідуальним профілем ризику користувача, надаючи рекомендації щодо оптимізації та перерозподілу активів. Зокрема використовується сіамська нейронна мережа для підбору фінансових інструментів у портфель із заданим рівнем ризику інвестора, а для аналізу рівня ризику портфеля, порівняння та перерозподілу активів у ньому використано багатошаровий Парцептрон. На основі аналізу тенденцій та схожості активів надано рекомендації щодо заміни активів у портфелі. Основними методами, які використовуються при аналізі, є візуалізація, обчислення статистик та прогнозування. Додаток також пропонує детальний аналіз окремих активів з описом, історичними даними та тенденціями цін. Для отримання вхідних даних (поточних й історичних курсів активів та інших їх фундаментальних показників) система використовує ефективний та доступний у використанні інструмент – FinanceModelingPrep API. Використання візуалізації дозволяє представити інформацію у зручній для сприйняття формі: графіки японських свічок, кругові діаграми дають можливість швидкого розуміння отриманих аналітичних результатів. Також у роботі здійснено огляд та аналіз найбільш вживаних сучасних спеціалізованих програмних продуктів, які використовуються у портфельному менеджменті. Запропонована інформаційна система є загальнодоступною та легкою у використанні. Робота сприяє розвитку інструментів для особистого інвестиційного менеджменту, розширюючи можливості самостійного фінансового планування. Описані методи дають можливість оцінити ефективність використання нейромереж при побудові та ефективному управлінні портфелем фінансових активів.  

1. Кузьмін О. Є., Алєксєєв І. В., Колісник М. К. Проблеми фінансово-кредитного регулювання інноваційного розвитку виробничо-господарських структур: навч. посіб. Львів: НУ «Львівська політехніка», 2007. 152 с.
2. Сеник А. П., Манзій О. С., Пабирівський В. В. Застосування теорії ризику в інформаційних технологіях: навч. посіб. Львів: Сполом, 2024. 168 c.
3. Leković M. M. Historical development of portfolio theory. Tehnika. 2021. Vol. 76. No. 2. P. 220–227.
4. Richard D. F., Mazibas М. Portfolio optimization with behavioural preferences and investor memory, European Journal of Operational Research, 2022. Vol. 296. No. 1. P. 368–387.
5. Манзій О. С., Сеник А. П., Іваник І. А., Степанюк О. С., Сеник Ю. А. Інформаційна система підтримки динамічної диверсифікації інвестиційного фінансування. Галицький економічний вісник. 2022. № 4 (77). С. 33–44.
6. Сеник А. П, Манзій О. С., Футрик Ю. В., Степанюк О. С., Сеник Ю. А. Інформаційна система підтримки процесів прийняття рішень при формуванні портфеля цінних паперів. Вісник Національного університету «Львівська політехніка» «Інформаційні системи та мережі». 2022. № 11. С. 39–55.
7. Дубиняк Т. С., Манзій О. С., Сеник А. П., Мінзюк Н. В., Сеник Ю. А. Аналіз банківських та валютних ризиків із використанням ІТ. Галицький економічний вісник. 2023. № 5 (84). С. 60–70.
8. Степанюк О., Сеник А. П,, Манзій О. С., Павлюк Н. В., Сеник Ю. А. Інформаційна система аналізу для сегментації портфеля цінних паперів продуктового ринку. НВ ЛНУ ветеринарної медицини та біотехнологій. Сер. Економічні науки. 2023. № 25 (101). С. 11–21.
9. Xu Z., Zhang J., Wang J. Retracted article: Prediction research of financial time series based on deep learning. Soft Computing. 2022. Vol. 24. P. 8295–8312.
10. Rezaee Z., Aliabadi S., Dorestani A., Rezaee N.J. Application of time series models in business research: correlation, association, causation. Sustainability. 2020. Vol. 12. No. 12. P. 4833.
11. Brandt P.Т., Williams J.Т. Multiple time series models. Quantitative applications in the social sciences. Thousand Oaks, CA: SAGE Publications, Inc. 2007. 102 p.

1. Kuzjmin O. Je., Aljeksjejev I. V., Kolisnyk M. K. (2007). Problemy finansovo-kredytnogho reghuljuvannja innovacijnogho rozvytku vyrobnycho-ghospodarsjkykh struktur [Problems of financial and credit regulation of innovative development of production and economic structures]. Lviv: NU “Lviv Polytechnic”. (In Ukrainian).
2. Senyk A. P., Manziy O. S., Pabyrivskyi V. V. (2024). Zastosuvannja teoriji ryzyku v informacijnykh tekhnologhijakh. [Application of risk theory in information technologies]. Lviv: “Spolom”. (In Ukrainian).
3. Leković M. (2021). Historical development of portfolio theory. Tehnika, vol. 76, no. 2, pp. 220–227.
4. Richard D., Mazibas M. (2022). Portfolio optimization with behavioural preferences and investor memory. European Journal of Operational Research, vol. 296, no. 1, pp. 368–387.
5. Manziy O., Senyk A., Ivanyk I., Stepanyuk O. and Senyk Y. (2022). Informacijna systema pidtrymky dynamichnoji dyversyfikaciji investycijnogho finansuvannja [Information system supporting dynamic diversification of investment financing]. Galician economic journal, vol. 4, no. 77, pp. 33–44. (In Ukrainian).
6. Senyk A., Manziy O., Futryk Y., Stepanyuk O. and. Senyk Y (2022). Informacijna systema pidtrymky procesiv pryjnjattja rishenj pry formuvanni portfelja cinnykh paperiv [Information system supporting decision–making processes for forming of securities portfolio]. Journal of Lviv polytechnic National university "Information systems and networks", vol. 11, pp. 39–55. (In Ukrainian).
7. Dubynyak T., Manziy O., Senyk A., Minziuk N. and Senyk Y. (2023). Analiz bankivsjkykh ta valjutnykh ryzykiv iz vykorystannjam IT [Analysis of banking and currency risks using IT]. Galician economic journal, vol. 5, no. 84, pp. 60–70. (In Ukrainian).
8. Stepanyuk O., Senyk A., Manziy O., Pavlyuk N. and Senyk Y. (2023). Informacijna systema analizu dlja seghmentaciji portfelja cinnykh paperiv produktovogho rynku [Information system of analysis for segmentation of the securities portfolio of the product market]. Scientific Messenger of LNU of Veterinary Medicine and Biotechnologies. Series Economical Sciences, vol. 25, no. 101, pp. 11–21. (In Ukrainian).
9. Xu Z., Zhang J., Wang J. (2020). Retracted article: Prediction research of financial time series based on deep learning. Soft Computing, vol. 24, pp. 8295–8312.
10. Rezaee Z., Aliabadi S., Dorestani A.and Rezaee N. (2020). Application of time series models in business research: correlation, association, causation. Sustainability, vol. 12, no. 12, p. 4833.
11. Brandt P., Williams J. (2007). Multiple time series models. Quantitative applications in the social sciences. Thousand Oaks, CA: SAGE Publications, Inc. 102 p.