Решена задача прогнозирования успешности деятельности компании на основе ее финансовых показателей на базе регрессионных моделей. Построено множество моделей: линейная множественная регрессия, авторегрессия со скользящим средним, авторегрессия с интегрированным скользящим средним и сезонная модель авторегрессии с интегрированным скользящим средним для прогнозирования абсолютных величин финансовых показателей. Проведено экспериментальное исследование на реальных данных и выполнено прогнозирование на базе регрессионных моделей, метода группового учета аргументов и авторегрессионной нейронной сети. Для прогнозирования волатильности финансового ряда применены гетероскедастических модели с переменной волатильностью типа ARCH и GARCH. Выполнена предварительная обработка данных с использованием метода Хольта–Винтерса и фильтра Калмана, что позволило существенно улучшить качество моделей и точность прогнозирования. Предложена и разработана комбинация моделей сезонной авторегрессии с интегрированным скользящим средним и гетероскедастических, что позволило учесть имеющиеся сезонные эффекты и тренды, присущие финансовым рядам, и получить высокие прогнозные оценки для финансовых показателей.

The company's success forecasting problem based on its financial indicators by regression models was studied in this research. Models based on linear multiple regression, autoregression with moving average, autoregression with integrated moving average, and seasonal model of autoregression with integrated moving average were built to predict the absolute value of financial indicators. An experimental study was performed on real data, and forecasting was made based on regression models. The models based on the method of group method of data handling and autoregressive neural network were developed. Heteroskedastic models with variable volatility such as ARCH and GARCH type were used to predict the volatility of the financial series. Preliminary data processing using the Holt-Winters method and the Kalman filter were applied to improve the model's quality and forecasting accuracy significantly. Authors suggested and developed a combination of seasonal autoregression with integrated moving average and heteroskedastic models that allowed them to consider the seasonal effects and trends inherent in the financial series and obtain high forecasts for financial indicators.

Досліджено задачу прогнозування успішності діяльності компанії на основі її фінансових показників на базі регресійних моделей. Побудовано множину моделей на основі лінійної множинної регресії, авторегресії з ковзним середнім, авторегресії з інтегрованим ковзним середнім та сезонної моделі авторегресії з інтегрованим ковзним середнім для прогнозування абсолютної величини фінансових показників. Проведено експериментальне дослідження на реальних даних і виконано прогнозування на основі регресійних моделей, методу групового урахування аргументів та авторегресійної нейронної мережі. Для прогнозування волатильності фінансового ряду застосовано гетероскедастичні моделі зі змінною волатильністю типу ARCH та GARCH. Застосовано попереднє оброблення даних з використанням методу Хольта–Вінтерса та фільтра Калмана, що дозволило істотно покращити якість моделей і точності прогнозування. Запропоновано і розроблено комбінацію моделей сезонної авторегресії з інтегрованим ковзним середнім та гетероскедастичної, що дало змогу врахувати наявні сезонні ефектів і тренди, притаманні фінансовим рядам, і отримати високі прогнозні оцінки для фінансових показників.