216
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
FOND BOZORIDAGI O‘ZGARISHLARINI RANDOM FOREST, XGBOOST MODELI
YORDAMIDA BASHORATLASH
Mallayev Oybek Usmankulovich
Alfraganus University Raqamli texnologiyalar kafedrasi professori.
E-mail:
O‘roqov Asliddin Doniyorjon o‘g‘li
Perfect University Iqtisodiyot fakulteti tyutori.
E-mail:
https://doi.org/10.5281/zenodo.15845212
Annotatsiya. Ushbu ilmiy maqola fond bozoridagi aksiya narxlarining o‘zgarishini
bashoratlashda Random Forest va XGBoost modellaridan foydalanishni tahlil qiladi. Aksiya
narxlari, ular bilan bog‘liq moliyaviy va iqtisodiy omillar bozor tahlili uchun juda muhim
ma’lumotlarni tashkil etadi. Biroq, aksiya narxlarining o‘zgarishi ko‘plab noaniq omillarga
bog‘liq bo‘lganligi sababli, an’anaviy statistika usullari bilan bashorat qilish qiyin bo‘lishi
mumkin. Ushbu maqola, Random Forest va XGBoost kabi machine learning metodlarini qo‘llash
orqali aksiya narxlarining trendini prognoz qilish imkoniyatlarini o‘rganadi. Maqolada har bir
modelning asosiy parametrlarini sozlash, natijalarni baholashda ishlatilgan metrikalar va
statistik tahlillarni taqdim etish orqali o‘rganilgan metodlarning samaradorligi solishtiriladi.
Shuningdek, har bir metodning afzalliklari va kamchiliklari ko‘rib chiqiladi, shu bilan
birga bozor sharoitiga moslashgan prognoz qilishning samarali yondashuvlari taqdim etiladi.
Maqola natijalariga ko‘ra, XGBoost va Random Forest modellari aksiya narxlarini
prognozlashda yuqori aniqlikni ta’minlaydi, lekin har bir metodning o‘ziga xos cheklovlari
mavjud.
Kalit so‘zlar: Sun’iy intellekt, iqtisodiy jarayonlar, mashinaviy o‘rganish(machine
learning), MSE, Random Forest, XGBoost, aksiya narxlari.
ПРОГНОЗИРОВАНИЕ ИЗМЕНЕНИЙ НА ФОНДОВОМ РЫНКЕ С
ИСПОЛЬЗОВАНИЕМ МОДЕЛЕЙ RANDOM FOREST И XGBOOST
Аннотация. В этой научной статье анализируется использование моделей
Random Forest и XGBoost для прогнозирования движения цен акций на фондовом рынке.
Цены акций и связанные с ними финансовые и экономические факторы
представляют собой очень важные данные для анализа рынка. Однако, поскольку
движения цен акций зависят от многих неопределенных факторов, их может быть
трудно предсказать с помощью традиционных статистических методов. В этой
статье исследуются возможности прогнозирования тенденций цен акций с
использованием методов машинного обучения, таких как Random Forest и XGBoost. В
статье сравнивается эффективность изучаемых методов путем корректировки
основных параметров каждой модели, представления метрик, используемых для оценки
результатов, и статистического анализа. Также рассматриваются преимущества и
недостатки каждого метода, при этом предоставляя эффективные подходы к
прогнозированию, адаптированные к рыночным условиям. Согласно результатам
статьи, модели XGBoost и Random Forest обеспечивают высокую точность
прогнозирования цен акций, но каждый метод имеет свои ограничения.
FORECASTING STOCK MARKET CHANGES USING RANDOM FOREST AND
XGBOOST MODELS
217
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Abstract. This research paper analyzes the use of Random Forest and XGBoost models to
forecast stock price movements in the stock market. Stock prices and related financial and
economic factors are very important data for market analysis. However, since stock price
movements depend on many uncertain factors, they can be difficult to predict using traditional
statistical methods. This paper explores the capabilities of forecasting stock price trends using
machine learning methods such as Random Forest and XGBoost. The paper compares the
performance of the studied methods by adjusting the key parameters of each model, presenting
the metrics used to evaluate the results, and statistical analysis.
It also discusses the advantages and disadvantages of each method, while providing
effective forecasting approaches tailored to market conditions. According to the results of the
paper, XGBoost and Random Forest models provide high accuracy in forecasting stock prices,
but each method has its own limitations.
KIRISH
Fond bozorida aksiya narxlarining o‘zgarishini prognoz qilish iqtisodiyotning muhim
jihatlaridan biridir. Aksiyalar narxining o‘zgarishi kompaniyaning moliyaviy holati,
makroiqtisodiy omillar, siyosiy holatlar va boshqa ko‘plab omillar bilan bog‘liq [1]. Aksiya
narxlarini bashoratlashning murakkabligi shundaki, ular ko‘p hollarda yuqori darajadagi
volatillikka (o‘zgaruvchanlikka) ega bo‘ladi. Bu esa ma’lumotlarning noaniqligini oshiradi va
bashorat qilishni murakkablashtiradi [2].
Aksiya narxlarining trendini aniqlashda bir nechta muammolar va qiyinchiliklar mavjud.
Bu muammolarni hal qilish uchun turli usullar va yondashuvlar kerak bo‘ladi. Quyida
aksiya narxlarining trendini aniqlashda duch keladigan asosiy muammolarni keltirib o‘tamiz:
1. Tovarlar va xizmatlar narxlarining o‘zgarishi (Volatillik)
da
aksiya narxlari ko‘p
hollarda juda o‘zgaruvchan bo‘ladi. Bu o‘zgarishlar har qanday noaniq vaziyat, yangilik yoki
iqtisodiy voqea tufayli yuzaga kelishi mumkin. Masalan, kompaniyaning yangiliklari, siyosiy
voqealar, iqtisodiy ko‘rsatkichlarning o‘zgarishi kabi omillar aksiyalar narxining keskin
o‘zgarishiga olib keladi. Yechim sifatida aksiya narxlarining o‘zgaruvchanligini hisobga olish
uchun volatillikni o‘lchash va modelga kiritish muhim. Texnik ko‘rsatkichlar (masalan,
Bollinger Bands
) yordamida narxning o‘zgarishini prognoz qilish mumkin.
2. Tuzilmalarning murakkabligi bo‘yicha
aksiyalar narxining o‘zgarishlari ko‘plab
omillarga bog‘liq bo‘lib, ularning ba’zilari matematik yoki statistik jihatdan tasvirlanishi qiyin.
Ular orasida kompaniyaning ichki ma'lumotlari, iqtisodiy siyosat, global iqtisodiy holat,
siyosiy o‘zgarishlar va boshqalar bo‘lishi mumkin. Yechim sifatida Ma’lumotlarning
xususiyatlarini tanlash va ularni modelga kiritish uchun turli xil feature engineering usullarini
qo‘llash zarur. Shuningdek, sentiment tahlili (masalan, yangiliklardan va ijtimoiy tarmoqlardan
olingan ma'lumotlar asosida) yordamida bozorning ruhiyatini aniqlash mumkin.
3. Ma'lumotlar sifatining pastligi yoki to‘liq emasligi bo‘yicha
aksiyalar bozoridagi
ma’lumotlar vaqt o‘tishi bilan o‘zgaradi va ba’zan bu ma’lumotlar noaniq, noto‘g‘ri yoki to‘liq
emas bo‘lishi mumkin. Bu ham statistik modelni murakkablashtiradi. Yechim sifatida
ma’lumotlarni tozalash va o‘zgaruvchilarni to‘g‘ri tanlash kerak. Ma’lumotlarni preprocessing
qilish (missing values, outliers, normalization) va imputation usullarini qo‘llash bu muammoni
hal qilishda yordam beradi.
4. Mavjud modelning haddan tashqari murakkabligi yoki soddaligi bo‘yicha
aksiya
narxlarining trendini bashorat qilish uchun ishlatiladigan model yaxshi o‘rgatishni talab qiladi.
218
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Agar model juda sodda bo‘lsa, unda trendlarni to‘g‘ri aniqlash qiyin bo‘ladi
(underfitting). Agar model juda murakkab bo‘lsa, u holda esa o‘rganishda overfitting (ya’ni,
faqat trening ma’lumotlariga moslashish) yuzaga kelishi mumkin. Yechim sifatida modelning
kompleksligini moslash uchun cross-validation va regularization kabi usullarni qo‘llash mumkin.
Shuningdek, ensemble methods (masalan, Random Forest yoki XGBoost) yordamida
modelning barqarorligini yaxshilash mumkin.
5. Trendy o‘zgarishlarni oldindan bilishning qiyinligi bo‘yicha
aksiya narxlari odatda
kechikishli (lagging) bo‘ladi. Bu degani, narxlarning o‘zgarishlari oldindan aniq bo‘lmasligi
mumkin va kelajakdagi o‘zgarishlarni prognoz qilish juda qiyin. Yechim sifatida vaqt seriyasini
o‘rganish uchun ARIMA (Auto-Regressive Integrated Moving Average) yoki LSTM (Long
Short-Term Memory) kabi chuqur o‘rganish modellarini qo‘llash mumkin. Bu usullar vaqt
bo‘yicha trendlarni aniqlashda foydalidir.
6. Makroiqtisodiy omillar va tashqi faktorlarga ta’siri bo‘yicha
aksiya narxlariga
ta’sir qiluvchi omillar nafaqat kompaniyaning o‘ziga, balki global iqtisodiy holatga, siyosatga va
boshqa tashqi faktorlar (masalan, global pandemiyalar, siyosiy inqirozlar) ga bog‘liq bo‘lishi
mumkin. Yechim sifatida makroiqtisodiy ko‘rsatkichlar (masalan, inflyatsiya, foiz stavkasi,
ishsizlik darajasi) va sentiment analizi orqali tashqi omillarni modellariga qo‘shish mumkin.
7. Aksiyalarning hukumat siyosatiga yoki boshqa tashqi faktorlar ta’siri bo‘yicha
aksiya narxlari ko‘p hollarda hukumat siyosati, qonunlar, yangi regulatsiyalar yoki boshqa tashqi
faktorlar ta'sirida o‘zgarishi mumkin. Yechim sifatida Makroiqtisodiy omillar va hukumat
siyosatining ta’sirini baholash uchun iqtisodiy indikatorlar va boshqa joriy yangiliklar bilan
bog‘lanish zarur.
8. Bozor ruhiyati va investor xulq-atvori bo‘yicha
aksiya narxlari ko‘pincha
investorlarning ruhiyati va xulq-atvoriga bog‘liq bo‘ladi. Bu esa bozorning hissiy holati yoki
yangiliklar bilan qanday munosabatda bo‘lishi bilan bog‘liq. Yechim sifatida Sentiment analysis
va social media yoki news sentiment tahlilini qo‘llash orqali bozor ruhiyatini tahlil qilish
mumkin.
Aksiya narxlarining trendini aniqlashda yuqoridagi muammolar bilan yuzaga keladi.
Biroq, bu muammolarni hal qilish uchun turli xil metodlar va texnikalar mavjud. Modelni
yaxshilash, ma’lumotlarni to‘g‘ri tayyorlash va tahlil qilish usullarini samarali qo‘llash, aksiya
narxlarining trendini aniqlashda aniqroq natijalarga erishishga yordam beradi.
Aksiya narxlarining trendini aniqlashda yuqoridagi muammolar bilan yuzaga keladi.
Biroq, bu muammolarni hal qilish uchun turli xil metodlar va texnikalar mavjud. Modelni
yaxshilash
,
ma’lumotlarni to‘g‘ri tayyorlash
va
tahlil qilish usullarini samarali qo‘llash, aksiya
narxlarining trendini aniqlashda aniqroq natijalarga erishishga yordam beradi.
Aksiya narxlarining trendini aniqlashda ishlatiladigan turli metodlar va ularning
parametrlarini solishtirish uchun solishtirma jadvali va diagrammalarni yaratish mumkin. Quyida
metodlarni solishtirish uchun tavsiflar, parametrlar, va diagrammalarni keltiraman.
1-jadval.
Metodlar va Parametrlar
Metod
Ma'lumotlar
turi
Qiyinchiliklar
Afzalliklar
Asosiy
parametrlar
Haqiqiy
dasturiy
qo‘llanish
ARIMA
(Auto-
Vaqt seriyalari
Modelni sozlash
uchun ko‘plab
Oldingi
qiymatlarga
p (autoregressive
order), d
Aksiya
narxlarini
219
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Regressive
Integrated
Moving
Average)
parametrlar talab
etiladi
asoslangan
prognoz qilish
(differencing
order), q (moving
average order)
prognoz
qilish
SARIMA
(Seasonal
ARIMA)
Vaqt seriyalari
Murakkab,
yuqori sezgirlik
Mavsumiy
o‘zgarishlarni
hisobga olish
p, d, q, P, D, Q, m
(sezon o‘lchami)
Sezonli
aksiyalar
trendini
prognozlash
LSTM
(Long
Short-
Term
Memory)
Vaqt seriyalari,
matn
Katta hajmdagi
ma'lumotlarni
talab qiladi
Uzun muddatli
bog‘lanishlarni
modelga
kiritish
Neuronlar soni,
qatlamlar soni,
learning rate,
batch size
Real vaqtli
aksiyalar
prognozi va
sentiment
tahlili
Random
Forest
Kategorik va
raqamli
ma'lumotlar
Overfitting
xavfi, modelni
o‘rganish uchun
ko‘p vaqt kerak
Katta
hajmdagi
ma'lumotlarni
yaxshi
o‘rganadi
Tree depth,
number of trees,
min_samples_split
Aksiyalar
bozoridagi
umumiy
tahlillar
XGBoost
Kategorik va
raqamli
ma'lumotlar
Modelni
optimallashtirish
qiyin, ko‘p vaqt
talab qiladi
Tez va
samarali,
o‘rganishda
yuqori aniqlik
Learning rate,
number of
estimators,
max_depth
Aksiya
narxlarining
trendini
prognozlash
Parametrlar va Yondashuvlar
ARIMA va SARIMA metodlari vaqt seriyalari asosida aksiya narxlarini prognoz qilish
uchun ishlatiladi. ARIMA asosan ma’umotlarni differentsiyalash, autoregressiv va ko‘chirish
o‘rtacha qismlarini o‘z ichiga oladi. SARIMA metodida esa mavsumiy o‘zgarishlar hisobga
olinadi. Parametrlariga p, d, q (ARIMA uchun) va P, D, Q, m (SARIMA uchun) olinadi.
Afzalliklariga sezonli o‘zgarishlarni aniqlash va vaqt seriyalaridagi vaqtinchalik aloqalarni
o‘rganishni olish mumkin. Qiyinchiliklariga parametrlarni to‘g‘ri tanlash va modelni
optimallashtirish bo‘lishi mumkin [3].
LSTM - bu neyron tarmoqlari arxitekturasi bo‘lib, u uzun muddatli bog‘lanishlarni eslab
qolishga imkon beradi. U vaqt seriyalari uchun yuqori samarali, ammo murakkab hisoblanadi.
Uning parametrlariga neuronlar soni, qatlamlar soni, learning rate, batch size larni kiritish
mumkin. Afzalliklariga uzun muddatli va kompleks bog‘lanishlarni modelga kiritishni olish
mumkin. Qiyinchiliklariga ma’lumotlarni o‘rganish uchun katta resurslar talab qilinadi, modelni
o‘rganishda ko‘p vaqt sarflanishi keltirish mumkin [4, 5].
An’anaviy statistik metodlar, masalan, ARIMA yoki SARIMA vaqt seriyasini tahlil
qilishda foydali bo‘lsa-da, ular ko‘plab noaniqliklarni hisobga olishda samarali emas. Shu
sababli, so‘nggi yillarda machine learning usullari, xususan, Random Forest va XGBoost
metodlari fon bozoridagi aksiya narxlarini prognozlashda keng qo‘llanilmoqda.
Random Forest va XGBoost - bu modellar ko‘plab qaror daraxtlari yordamida bashorat
qilishni amalga oshiradi, bu esa ularning yuqori aniqlikni ta’minlashiga imkon beradi. Ushbu
maqola Random Forest va XGBoost modellari yordamida aksiya narxlarini prognozlashni
220
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
o‘rganadi. Maqolada ma’lumotlarni tayyorlash jarayonidan tortib, modelni o‘rgatish, natijalarni
baholash va prognozlar tahliliga qadar bo‘lgan barcha bosqichlar batafsil yoritiladi [6, 7].
Fond bozoridagi o‘zgarishlarni bashoratlash uchun Random Forest va XGBoost modellari
juda samarali metodlar hisoblanadi. Ushbu modellarni ishlatish uchun quyidagi bosqichlarni
bajarish mumkin:
1. Ma’lumotlarni tayyorlash bosqichida. Aksiya narxlari, xususiyatlar, yangi
xususiyatlar yaratish muhim hisoblanadi.
Aksiya narxlari: Odatda, aksiya narxlarining
o‘zgarishi vaqt bo‘yicha (time-series) ma’lumotlar sifatida taqdim etiladi [8].
Xususiyatlar: Aksiyalar narxining o‘zgarishini ta’sir qiluvchi xususiyatlar (masalan,
moliyaviy ko‘rsatkichlar, iqtisodiy ko‘rsatkichlar, global yangiliklar, va h.k.) to‘plang.
Yangi xususiyatlar yaratish: Aksiyalarning narxlaridan xususiyatlar (mahsulotning
o‘rtacha narxi, volatillik, shuningdek, narx o‘zgarishlari kabi) yaratish mumkin.
2. Modelni tanlash va tayyorlash bosqichida
Random Forest va XGBoost moddellarini
o‘rgatishdan oldin, quyidagi narsalar kerak bo‘ladi [9]:
•
Data preprocessing
: Ma’lumotlarni tozalash (missing values, outliers), o‘zgaruvchilarni
normallashtirish va kodlash (agar kerak bo‘lsa).
•
Train-test split
: Ma’lumotlarni o‘qitish va test uchun ajratish.
•
Modelni o‘rnatish va baholash
: Random Forest va XGBoost modellari uchun o‘rganish
parametrlarini tanlash.
3. Random Forest va XGBoost modellarini kuchli va zaif tomonlari quyidagilardan
iborat:
Random Forestni kuchli tomonlariga aniq natijalar uchun ko‘plab qaror daraxtlari
(decision trees) birlashtirilishini hamda afzalliklariga o‘ta murakkab bo‘lmagan va yaxshi
ishlashini ta’minlashini kiritish mumkin.
4. Modelni baholash va solishtirishda
Mean Absolute Error (MAE) va Mean Squared
Error (MSE) yordamida modelning samaradorligini baholash amalga oshiriladi [10]. Bashorat
qilingan narxlar va haqiqiy narxlar o‘rtasidagi farqni vizualizatsiya qilish kerak (masalan,
chiziqli grafiklar).
5. Modelni yaxshilash bo'yicha
Hyperparameterlarni optimallashtirish uchun
GridSearchCV yoki RandomizedSearchCV metodlaridan foydalaniladi. Modelni yanada
kuchaytirish
uchun agar kerak bo‘lsa, boshqa xususiyatlarni qo‘shish yoki ma’lumotlarni
yaxshilash mumkin.
DataSet fond bozoridagi o‘zgarishlarni bashoratlash uchun ishlatilayotgan bo‘lsa,
quyidagi turdagi qiymatlar bo‘lishi mumkin. Odatda, fond bozoridagi ma’lumotlar vaqt bo‘yicha
tasniflanadi va unda aksiyalar narxi, hakoza moliyaviy va iqtisodiy ko‘rsatkichlar mavjud
bo‘ladi. Quyidagi ustunlar misol sifatida keltirilgan:
1. Aksiya narxlarining parametrlari:
•
Date
- sana (masalan, 2025-01-01).
•
Open
- bozorning ochilish narxi.
•
High
- kun davomida eng yuqori narx.
•
Low
- kun davomida eng past narx.
•
Close
- kun oxiridagi narx (yopilish narxi).
•
Volume
- savdo hajmi (qanday aksiyalar sotilgan).
2. Aksiya trendlarini qo‘shimcha xususiyatlari:
221
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
•
Previous Close
- o‘tgan kunning yopilish narxi (yoki boshqa kunlar bilan o‘zgarishlarni
tahlil qilish uchun).
•
Moving Average (MA)
- narxlarning harakatlanuvchi o‘rtacha qiymati (masalan, 10
kunlik, 50 kunlik o‘rtacha).
•
Volatility
- narxning o‘zgaruvchanligi.
•
RSI (Relative Strength Index)
- aksiya bozorida "sotib olish" yoki "sotish" signalini
ko‘rsatadigan ko‘rsatkich.
3. Boshqa iqtisodiy ko‘rsatkichlar ham inobatga olingan:
•
Interest Rates
- markaziy bankning foiz stavkasi.
•
GDP Growth Rate
- YaIMning o‘sish sur’ati.
•
Inflation
- inflyatsiya darajasi.
•
Unemployment Rate
- ishsizlik darajasi.
4. Tarixiy narxlar bilan birgalikda ishlatilishi mumkin bo‘lgan boshqa xususiyatlar:
•
Sector
- aksiya sektori (masalan, texnologiya, sog‘liqni saqlash).
•
Market Capitalization
- bozor kapitalizatsiyasi.
2-jadvla.
Ma’lumotlar strukturasiga misol:
Date
Ope
n
High Low
Clos
e
Volum
e
Previou
s Close
Moving
Averag
e (10)
RS
I
GDP
Growt
h Rate
Inflatio
n
2023
-01-
01
100.5 102.
0
99.0
101.0 500000 100.0
101.2
60
3.2
2.0
2023
-01-
02
101.0 103.
0
100.
0
102.5 550000 101.0
101.5
62
3.3
2.1
2023
-01-
03
102.5 104.
0
101.
0
103.0 520000 102.5
102.1
64
3.3
2.1
Yuqoridagi jadval aksiya narxlari va iqtisodiy ko‘rsatkichlar bo‘yicha ma’lumotlarni o‘z
ichiga oladi. Bu ma’lumotlar Random Forest va XGBoost modellarini o‘rgatish uchun ishlatiladi.
Fond bozoridagi ma’lumotlar to‘plamini kengaytirish uchun bir nechta mashhur
open-
source
(ochiq manbali)
datasets
mavjud. Ushbu datasetlar orqali siz aksiya narxlari,
o‘zgartirishlar, trading volume (savdo hajmi), iqtisodiy ko‘rsatkichlar va boshqa xususiyatlar
bilan ishlashingiz mumkin. Quyida bir nechta mashhur datasetlarni ko‘rib chiqamiz.
-
Yahoo Finance
- eng keng tarqalgan va bepul ma’lumot manbalaridan biri. U
fond bozoridagi aksiya narxlari, ko‘rsatkichlar, kompaniya haqidagi ma’lumotlarni taqdim etadi.
API dan foydalanib
, Python uchun
yfinance
kutubxonasi yordamida ma’lumotlarni osongina
olishingiz mumkin.
-
Quandl
- fond bozoridagi tarixiy narxlar va iqtisodiy ma’lumotlarni taqdim
etadigan platforma. Quandl dan foydalanish uchun ro‘yxatdan o‘tish va API kalitiga ega bo‘lishi
kerak.
222
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
-
Alpha Vantage
- fond bozorining real vaqtda narxlari, texnik ko‘rsatkichlari va
boshqa ma’lumotlarni taqdim etadigan bepul platforma. Alpha Vantage API si yordamida
ko‘plab fond bozorlaridan ma’lumot olish mumkin.
-
Kaggle
- mashinani o‘rganish va statistik tahlil uchun juda ko‘p datasetlarga ega
bo‘lgan platforma. Kaggle da fond bozoriga oid juda ko‘p datasetlar mavjud. Misol uchun:
•
Historical stock prices dataset
(
Tarixiy aksiya narxlari
).
•
Stock market data for analysis (Aksiyalar bozoriga oid tahlil ma’lumotlari).
-
Google Finance
orqali fond bozoridagi aksiya narxlari, indekslar, iqtisodiy
yangiliklar haqida ma’lumotlar mavjud. Bu ma’lumotlarni Google Sheets orqali ham olish
mumkin. API dan foydalanishda Google Finance uchun to‘g‘ridan-to‘g‘ri API mavjud emas,
lekin Google Sheets-da
GOOGLEFINANCE
funksiyasini ishlatib, real vaqt ma’lumotlarini
olish mumkin.
-
FRED
- AQSh Markaziy bankining iqtisodiy ma’lumotlar to‘plami. Bu
platformada nafaqat aksiya narxlari, balki iqtisodiy ko‘rsatkichlar, inflyatsiya, ish haqining
o‘sishi va boshqa ko‘plab ma’lumotlar mavjud.
Ma’lumotlar to‘plamini kengaytirish uchun yuqoridagi manbalardan foydalanish
mumkin. Bu datasetlar fond bozoridagi narxlar, o‘zgarishlar, savdo hajmlari, iqtisodiy
ko‘rsatkichlar va boshqa foydali ma’lumotlarni taqdim etadi. Har bir platformaning o‘ziga xos
API yoki kutubxonalari mavjud, ular orqali kerakli ma'lumotlarni olish mumkin.
Xulosa
Mashinali o‘qitish algoritmlari asosida murakkab iqtisodiy jarayonlarni bashoratlash
zamonaviy iqtisodiy tahlilda muhim rol o‘ynaydi. Ayniqsa, LSTM, XGBoost va Prophet kabi
ilg‘or metodlar vaqt qatorlaridagi murakkab jarayonlarni aniqlab, yuqori aniqlikdagi prognozlar
berish imkonini beradi. Bunday tizimlar investitsiya qarorlarini qabul qilishda, davlat siyosatini
shakllantirishda va iqtisodiy xavf-xatarlarni oldindan aniqlashda keng qo‘llaniladi.
ARIMA va SARIMA metodlari vaqt seriyasini tahlil qilish uchun juda foydalidir, ammo
ular faqat vaqtinchalik aloqalar asosida ishlaydi. LSTM va boshqa neural network asosidagi
modellar uzoq muddatli bog‘lanishlarni eslab qolish orqali yuqori aniqlikni ta’minlashi mumkin,
lekin ular murakkab hisoblanadi. Random Forest va XGBoost metodlari katta hajmdagi
ma’lumotlarni samarali ishlaydi, ammo ularni optimallashtirish uchun ko‘p vaqt va resurslar
talab qilinadi. Bollinger Bands va volatillik tahlili narxning o‘zgaruvchanligini o‘lchashda
foydalidir. Diagrammalar va tavsiflar yordamida ushbu metodlarning natijalarini vizual tarzda
solishtirish mumkin. Bu ma’lumotlar yordamida siz trendni aniqlashda eng samarali
yondashuvni tanlashingiz mumkin.
ADABIYOTLAR RO‘YXATI (REFERENCES)
1.
Юсупов, Ж. А.
Цифровизация экономики Узбекистана: текущее состояние и
перспективы. Экономика и финансы (Узбекистан), 2020 3(6), 20–28.
2.
Mallayev O.U.
Iqtisodiy jarayonlarda mashinaviy o‘qitish algoritmlari asosida qaror
qabul qilish modulini ishlab chiqish
//
“Raqamli iqtisodiyot va sun’iy intellekt
texnologiyalarining jamiyat rivojlanishidagi ahamiyati” mavzusidagi xalqaro ilmiy-
amaliy konferensiya ilmiy maqolalar toʻplami. 2024-yil 22-noyabr, Tоshkеnt. 88-92 b.
3.
Намазов Г. Ш.
Ҳудуд макроиқтисодий кўрсаткичларини прогноз қилишда ARIMA
модели ва сунъий нейрон тўр (ANN) воситаларини таққослаш //Oriental renaissance:
223
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Innovative, educational, natural and social sciences. – 2022. – Т. 2. – №. 3. – С. 1018-
1032.
4.
Zaynidinov H., Nurmurodov J., Qobilov S.
Application of Machine Learning Methods for
Signal Processing in Piecewise-Polynomial Bases // Proceedings - 9th IEEE International
Conference on Information Technology and Nanotechnology, ITNT 2023, 2023
5.
Zaynidinov H., Singh M., Tiwary U.S., Singh D.
Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics) // 2023, 13741 LNCS, 5-6
6.
Abdivaliyev Sh.X.
Raqamli iqtisodiyotda sun’iy intellektning rolini takomillashtirish //
Zamonaviy ilm-fan va ta’lim istiqbollari ilmiy-amaliy konferensiyasi toʻplami. Aprel,
2025-yil. Tоshkеnt. 696-701 b.
7.
M Mamadjonov, A Abdullayev, I Abdurahmonov, A Mamadaliyev.
Challenges of
management in the digital economy //
Scientific progress. 2021. 2 (6), 1533-1537.
8.
Shadmanov E.Sh., Abulqosimov H.P., Anarkulov A.D., Abulqosimov M.X.
Iqtisodiyotni
davlat tomonidan tartibga solish. Darslik. –T.: O‘zbekiston Respublikasi Jamoat
xavfsizligi universiteti. – 2025.- 479 b.
9.
H. Zayniddinov, B. Rakhimov, G. Khalikova, A
. Saidov Review and analysis of computer
vision algorithms, AIP Conference Proceedingsthis link is disabled, 2023, 2789, 050022
10.
Turaev, Sh. A.
Sun’iy intellekt texnologiyalari va ularning iqtisodiyotdagi ahamiyati.
Iqtisodiyot va innovatsion texnologiyalar, 2021 4(3). 115– 122.
