Тищенко С. І., кандидат педагогічних наук, завідувач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0001-7881-8740
e-mail: tyschenko@mnau.edu.ua

Пархоменко О. Ю., кандидат фізико-математичних наук, доцент кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0002-7940-7414
e-mail: parkhomenko@mnau.edu.ua

Хилько І. І., старший викладач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0001-7983-8276
e-mail: hilko@mnau.edu.ua

Моделювання впливу цифрових загроз на фінансові ринки за допомогою аналізу часових рядів та виявлення аномалій засобами Python

У цифрову епоху фінансові ринки стають все більш вразливими до різноманітних кіберзагроз та цифрових ризиків. Своєчасне виявлення та аналіз впливу таких загроз на фінансові ринки є критично важливим для мінімізації потенційних негативних наслідків та забезпечення стабільності фінансової системи. У цьому дослідженні представлено підхід до моделювання та аналізу впливу кіберзагроз на фінансові ринки шляхом поєднання аналізу часових рядів, методів виявлення аномалій та інструментів програмування мовою Python.

Метою цього дослідження є розробка методології моделювання та аналізу впливу кіберзагроз на фінансові ринки шляхом інтеграції методів аналізу часових рядів, алгоритмів виявлення аномалій та реалізації на мові Python.

У дослідженні представлено методологію, яка поєднує статистичні методи та методи машинного навчання для аналізу часових рядів та виявлення аномалій. Методологія включає попередню обробку даних, виявлення трендів та десезоналізацію часових рядів, виявлення аномалій за допомогою комбінації статистичних методів та методів машинного навчання, аналіз та класифікацію аномалій, а також перевірку та інтерпретацію результатів. Реалізація використовує Python та потужні бібліотеки, такі як Pandas, NumPy, Scikit-learn, StatsModels та TensorFlow/Keras. Наведено приклад реалізації алгоритму виявлення аномалій на основі Isolation Forest для виявлення потенційних цифрових загроз шляхом аналізу часових рядів фінансових даних. Розглянуто приклади використання алгоритмів кластеризації (K-Means та DBSCAN) для виявлення аномалій, а також поєднання статистичного методу ARIMA та алгоритму машинного навчання Isolation Forest для виявлення аномалій у залишках прогнозованих значень часових рядів. Емпіричне тестування на реальних фінансових даних продемонструвало ефективність запропонованого підходу для виявлення та прогнозування впливу кіберзагроз. Візуалізація та аналіз виявлених аномалій дозволили виявити їх характерні особливості та потенційні причини, пов’язані з кіберзагрозами.

Отримані результати мають практичне значення для підвищення стійкості фінансових ринків до кіберзагроз та мінімізації ризиків. Наведені в роботі приклади є спрощеними, і їх ефективне застосування в реальних сценаріях потребуватиме додаткового налаштування параметрів моделі, обробки даних та інтерпретації результатів. Розроблене програмне забезпечення може бути використане учасниками ринку, регуляторами та аналітиками для своєчасного виявлення та реагування на потенційні кіберзагрози, що впливають на фінансові показники. Крім того, запропонована методологія може бути адаптована для використання в інших сферах, де потрібен моніторинг та аналіз часових рядів даних на наявність аномалій. Подальші дослідження можуть бути зосереджені на вдосконаленні методів виявлення та класифікації аномалій, інтеграції додаткових джерел даних (наприклад, потоків новин або соціальних мереж) для кращого розуміння природи кіберзагроз, а також на розробці автоматизованих систем для запобігання та реагування на виявлені загрози.

Ключові слова: цифрові загрози, фінансові ринки, аналіз часових рядів, виявлення аномалій, Python, кібербезпека, статистичні методи, алгоритми кластеризації, аналіз даних, Isolation Forest, ARIMA.

Література:

1. Garita M. Applied Quantitative Finance: Using Python for Financial Analysis. Palgrave Pivot, 2020. 56 p.
2. Naik K. Hands-On Python for Finance: A Practical Guide to Implementing Financial Analysis Strategies Using Python. Packt Publishing. 2019. 378 p.
3. Jansen S. Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, Packt Publishing, 2020. 820 p.
4. Tyshchenko S., Parkhomenko O. Analysis of the Impact of Digital Threats on Financial Markets Using Methods of Probability Theory and Python. Modern Economics. 2024. 43(2024). 118-124. DOI: https://doi.org/10.31521/modecon.V43(2024)-16.
5. Big data, big challenges: risk management of financial market in the digital economy / J. Yang et al. Journal of Enterprise Information Management. 2022. Vol. 35 No. 4/5, pp. 1288-1304. DOI: https://doi.org/10.1108/JEIM-01-2021-0057.
6. Cybersecurity Threats and Their Mitigation Approaches Using Machine Learning–A Review / M. Ahsan et al. Journal of Cybersecurity and Privacy. 2022. Vol. 2 (3). P. 527–555. DOI: https://doi.org/10.3390/jcp2030027
7. Касьянова Н. В., Біличенко М. М., Севериненко А. О. Моделювання цифрової безпеки підприємства. Modern Economics. 2023. № 39(2023). С. 54-61. DOI: https://doi.org/10.31521/modecon.V39(2023)-08.
8. Кучмійова Т. С. Вплив цифрових технологій на сучасне суспільство: трансформаційні аспекти. Modern Economics. 2023. № 41(2023). С. 67-72. DOI: https://doi.org/10.31521/modecon.V41(2023)-10.
9. Economic security of the enterprise within the conditions of digital transformation / Y. Samoilenko et al. Economic affairs. 2022. Vol. 67, no. 4. DOI: https://doi.org/10.46852/0424-2513.4.2022.28
10. Sirenko N., Baryshevska I., Melnyk O. The genesis of financial market institutionalisation in ukraine: an international perspective. Scientific horizons. Vol. 24, no. 10. P. 97–108. DOI: https://doi.org/10.48077/scihor.24(10).2021.97-108.
11. The impact of digital transformation on the economic security of Ukraine / S. Spivakovskyy et al. Studies of applied economics. 2021. Vol. 39, no. 5. DOI: https://doi.org/10.25115/eea.v39i5.5040.
12. Development of directions for improving the monitoring of the state economic security under conditions of global instability / A. Poltorak et al. Eastern-European journal of enterprise technologies. Vol. 2, no. 13 (122). P. 17–27. DOI: https://doi.org/10.15587/1729-4061.2023.275834