Вісники НТУ "ХПІ"
Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/2494
З 1961 р. у ХПІ видається збірник наукових праць "Вісник Харківського політехнічного інституту".
Згідно до наказу ректора № 158-1 від 07.05.2001 року "Про упорядкування видання вісника НТУ "ХПІ", збірник був перейменований у Вісник Національного Технічного Університету "ХПІ".
Вісник Національного технічного університету "Харківський політехнічний інститут" включено до переліку спеціалізованих видань ВАК України і виходить по серіях, що відображають наукові напрямки діяльності вчених університету та потенційних здобувачів вчених ступенів та звань.
Зараз налічується 30 діючих тематичних редколегій. Вісник друкує статті як співробітників НТУ "ХПІ", так і статті авторів інших наукових закладів України та зарубіжжя, які представлені у даному розділі.
Переглянути
4 результатів
Результати пошуку
Документ Аналіз проблеми прогнозування трендів кріптовалютного ринку та сучасні підходи до її вирішення(Національний технічний університет "Харківський політехнічний інститут", 2024) Москаленко, Валентина Володимирівна; Фонта, Наталія Григорівна; Гавриленко, Антон Владиславович; Безчастний, Олексій МаксимовичРозглянуто актуальну проблему прогнозування трендів кріптовалютного ринку та сучасні підходи до їх вирішення. Визначено два основних фактори, які впливають на вартість криптовалюти – це розмір ринку криптовалюти та темпи зростання обсягів ринку. Наведені результати досліджень щодо перспектив крипторинку, у тому числі те, що біткоїн у майбутньому може бути захистом від падіння курсу долара США для учасників фінансового ринку. Також дослідники розглядають біткоїни не як готівку, а як інвестиційний актив. Зроблено висновок, що регулювання та економічна політика, яка пов’язана з використанням криптовалют, поступово посилюються багатьма країнами у міру підвищення її інвестиційної привабливості. Надано аналіз задачі прогнозування тренду ринка криптовалюти. Надано аналіз досліджень та публікацій щодо методів прогнозування вартості криптовалюти. Традиційні моделі часових рядів, такі як модель ARIMA, продовжують бути популярними у фінансовому прогнозуванні, але її використання менш ефективне для ринків з високою волатильністю, що характерно для криптовалют. Прогнозування ціни криптовалюти – це проблема часових рядів, яку можна вирішити за допомогою регресії та інших методів машинного навчання. Наведені результати сучасних досліджень щодо потенціалу машинного навчання у виявленні складних трендів та закономірностей. Доведено, що методи глибокого навчання можуть бути ефективними для прогнозування часових рядів зі значними коливаннями та з майже хаотичною та непередбачуваною поведінкою. Зроблено висновок, що ключовим аспектом є створення гнучких моделей, які можуть адаптуватися до нових даних та змін у ринковій динаміці. Комбінування традиційних методів технічного, факторного аналізу з інноваційними методами машинного навчання може призвести до створення потужних гібридних моделей. Ці моделі використовують як кількісні, так і якісні дані для розробки більш точних прогнозів. Обґрунтовано доцільність розробки програмних систем, які реалізують сучасні методи штучного інтелекту, у тому числі машинного навчання, глибокого навчання, обробки природної мови та інших технологій для забезпечення аналізу ринку, виявлення закономірностей та надання прогнозів щодо трендів крипторинку. Використання такого ПЗ буде допомогою інвесторам у визначенні потенційно прибуткових інвестиційних можливостей, в управлінні ризиками та прийнятті обґрунтованих рішень в умовах високої невизначеності.Документ Дослідження та проєктування архітектури Marketing Cloud Salesforce CRM в залежності від маркетингової стратегії компанії(Національний технічний університет "Харківський політехнічний інститут", 2023) Москаленко, Валентина Володимирівна; Матвієнко, Андрій Олександрович; Фонта, Наталія ГригорівнаМетою дослідження є підвищення рівня ефективного залучення нових клієнтів та утримання існуючої клієнтської бази компанії через реалізацію інноваційних маркетингових стратегій. Доведено доцільність використання концепції управління взаємовідносинами з клієнтами (Customer Relationship Management) та використання інформаційних систем класу CRM для досягнення мети. Досліджено CRM платформу Salesforce Marketing Cloud, яка відноситься до хмарних типів інформаційних систем. Наведено опис бізнес-логіки Salesforce Marketing Cloud, яка включає прийняття рішень на основі аналітичних даних, сегментацію клієнтів, автоматизацію індивідуального підходу до клієнтів з метою підвищення лояльності клієнтів і зростання доходу компанії. Salesforce Marketing Cloud надає можливість створювати персоналізовані маркетингові заходи та керувати ними, взаємодіяти з клієнтами за різними каналами, аналізувати наслідки маркетингових зусиль для постійного вдосконалення маркетингових стратегій компанії. Досліджено функціональність та особливості основних компонентів Salesforce Marketing Cloud. У Salesforce Marketing Cloud реалізовано такі основні функції: email-маркетинг, мобільний маркетинг, управління соціальними медіа-заходами та іншими видами маркетингу. Користувачі Salesforce Marketing Cloud можуть створювати персоналізовані маркетингові заходи та управляти ними, за кількома каналами взаємодіяти з клієнтами та аналізувати маркетингові зусилля для постійного вдосконалення маркетингових стратегій. Здійснено проєктування архітектури Salesforce Marketing Cloud для поведінкової сегментації клієнтів компанії. Розроблено Web-додаток для покращення роботи користувачів платформи з даними клієнтів, що зберігаються в Data Extensions. Для автоматизації сегментації клієнтів на основі їх поведінкових даних була використана Automation Studio, побудовані SQL запити, використані системні таблиці даних Data Views. Розроблена архітектура Marketing Cloud Salesforce CRM на основі поведінкової сегментації є важливим інструментом для реалізації маркетингової стратегії компанії, забезпечуючи успішне залучення та утримання клієнтів, а також для досягнення стратегічних цілей.Документ Дослідження нейронних мереж для прогнозування вартості акцій компаній у нестабільній економіці(Національний технічний університет "Харківський політехнічний інститут", 2022) Москаленко, В'ячеслав Васильович; Санталова, Анастасія Романівна; Фонта, Наталія ГригорівнаДані дослідження присвячені аналізу і вибору нейронних мереж різної архітектури та гібридних моделей, до яких включені нейронні мережі, для прогнозування ринкової вартості акцій на фондовому ринку країни, яка перебуває у процесі нестабільного розвитку. Аналіз та прогнозування таких фондових ринків не може бути проведено з використанням класичних методів. Актуальність теми дослідження зумовлена необхідністю розробки програмних систем, які реалізують алгоритмічне забезпечення прогнозування ринкової вартості акцій в Україні. Впровадження таких програмних систем до контуру прийняття інвестиційних рішень у компаніях, які зацікавлені у підвищенні інформаційної прозорості фондового ринку України, дасть можливість покращити прогнози щодо ринкової вартості акцій. Це у свою чергу сприятиме покращенню інвестиційного клімату та забезпечить зростання інвестування в українську економіку. Проведено аналіз результатів існуючих досліджень щодо використання нейронних мереж та інших методів обчислювального інтелекту для моделювання поведінки учасників фондового ринку та прогнозування ринку. У статті надано результати дослідження щодо використання нейронних мереж різної архітектури для прогнозування ринкової вартості акцій на фондових ринках України. Для прогнозування було обрано чотири акції Української фондової біржі: Центренерго (CEEN); Укртелеком (UTLM); Крюківський Вагонобудівний Завод ПАТ (KVBZ); Райффайзен Банк Аваль (BAVL). Для експериментального дослідження були обрані такі моделі: довга короткострокова пам’ять LSTM; згорткова нейронна мережа CNN; гібридна модель, яка поєднує дві нейронної мережі CNN і LSTM; гібридна модель, що складається з алгоритму декомпозиції варіаційного режиму та нейронної мережі довгострокової пам’яті (VMD-LSTM); гібридна модель VMD-CNN-LSTM глибокого навчання на основі варіаційного режиму (VMD) та двох нейронних мереж. Розраховано оцінки якості прогнозу за різними метриками. Зроблено висновок, що використання гібридної моделі VMD-CNN-LSTM дає мінімальну помилку прогнозування ринкової вартості акцій українських підприємств. Також доцільно використовувати модель VMD-LSTM для прогнозування на біржах країн з нестабільною економікою.Документ Алгоритмический модуль формирования инвестиционной программы в рамках системы поддержки принятия решений по развитию предприятия(НТУ "ХПИ", 2018) Москаленко, Валентина Владимировна; Качанова, Светлана ИгоревнаПроведен обзор современных методов формирования инвестиционного портфеля, рассмотрены подходы к разработке систем поддержки принятия инвестиционных решений. На основе этого сделаны выводы о том, что такие системы предназначены для информационного и аналитического обеспечения процесса формирования инвестиционного портфеля или проектов других предприятий, или ценных бумаг, которые выпускают различные компании. При формировании таких портфелей не учитывается влияние инвестиций предприятия в объекты на стратегическое развитие этого предприятия. Предлагается подход к формированию инвестиционного портфеля предприятия, которое занимается внешним и внутренним инвестированием. В качестве инвестиционных ценностей, в которые вкладываются собственные средства предприятия, рассматриваются проекты развития предприятия (внутреннее инвестирование), проекты и ценные бумаги других предприятий (внешнее инвестирование). Выбор объектов инвестирования осуществляется на основе функции полезности. Функция полезности строится на основе критериев максимизации доходности инвестиций, минимизации инвестиционного риска и максимизации степени влияния инвестиционного объекта на стратегическое развитие. Предложен бизнес-процесс формирования инвестиционной программы, который состоит из следующих основных процедур: распределение инвестиционных ресурсов между портфелями инвестиций; формирование портфеля инвестиционных проектов, которые будут реализовываться в рамках программы развития предприятия; формирование портфеля внешних инвестиций в проекты других предприятий; формирование портфеля ценных бумаг; формирование общего портфеля инвестиций предприятия как объединение трех портфелей. Этот бизнес-процесс реализуется в рамках алгоритмического модуля системы поддержки принятия решений по развитию предприятия. В результате использования такого модуля формируется портфель инвестиций предприятия. Эта система поддержки принятия решения является частью систем управления эффективностью предприятия класса Enterprise Performance Management, эти системы предназначены для информационно-аналитической поддержки процессов стратегического управления предприятия.