Shchestyuk, NataliiaPasternak, Olena2026-08-132026-08-132026https://ekmair.ukma.edu.ua/handle/123456789/40858Квалiфiкацiйна робота бакалавра присвячена порiвнянню точностi запропонованої двогiлкової архiтектури нейронної мережi довгої короткострокової пам’ятi (LSTM), яка обробляє 14-деннi iсторичнi послiдовностi та волатильнiсть за моделлю GARCH, iз класичною моделлю Блека-Шоулза-Мертона для оцiнювання європейських опцiонiв Call. Емпiричне тестування на базi близько 800 000 записiв щодо опцiонiв Apple Inc. (AAPL) демонструє, що мережа LSTM ефективно вловлює складнi нелiнiйнi залежностi та динамiку ринку. На першому кроцi прогнозування запропонована модель досягла зниження середньої абсолютної похибки (MAE) на 63,8% порiвняно з базовим варiантом BSM-GARCH, зберiгаючи при цьому високу прогностичну стабiльнiсть на п’ятиденному горизонтi.The bachelor’s thesis compares the accuracy of a proposed dual-branch Long Short-TermMemory (LSTM) neural network, processing 14-day historical sequences and GARCH-derived volatility, with the classical Black-Scholes-Merton model for pricing European call options. Empirical testing on approximately 800,000 Apple Inc. (AAPL) option records demonstrates that the LSTM network efficiently captures complex non-linear dependencies and market dynamics. At the first forecast step, the model achieved a 63.8% reduction in Mean Absolute Error (MAE) compared to the BSM-GARCH variant, while maintaining high predictive stability over a five-day horizon.en-USOption PricingBlack-ScholesNeural NetworksLSTMDeep LearningGARCHAAPLbachelor`s thesisоцiнювання опцiонiвБлек-Шоулзнейроннi мережiLSTMглибоке навчанняGARCHAAPLOther