DESIGN AND IMPLEMENTATION OF AN INTELLIGENT WEB-BASED SYSTEM FOR STOCK MARKET FORECASTING USING ARTIFICIAL INTELLIGENCE

Abstract

Abstract. The practical deployment of artificial intelligence in financial forecasting requires an integrated environment for data acquisition, preprocessing, model training, evaluation, storage, visualization, and repeated forecasting. This article presents the design and implementation of an intelligent web-based stock market forecasting system developed as a modular Python/Streamlit application. The architecture consists of user interface, application service, machine-learning pipeline, storage, and reporting/visualization layers. The platform supports online and local OHLCV data loading, validation, feature engineering, chronological train-validation-test splitting, train-only scaling, Adaptive CatBoost training, metric computation, model registration, and forecast generation with previously trained models. A model registry stores configuration files, scalers, metrics, predictions, figures, and experiment metadata, improving reproducibility and model reuse. The prototype demonstrates how an AI forecasting methodology can be transformed from an experimental script into a practical research and educational environment.

Annotatsiya. Moliyaviy prognozlashda sun’iy intellektdan amaliy foydalanish ma’lumotlarni yuklash, qayta ishlash, modelni o‘qitish, baholash, saqlash, vizuallashtirish va takroriy prognozlashni yagona muhitda birlashtirishni talab qiladi. Ushbu maqolada fond bozori dinamikasini prognozlash uchun ishlab chiqilgan intellektual veb-tizimning arxitekturasi va dasturiy amalga oshirilishi yoritilgan. Tizim Python va Streamlit asosida modulli tarzda ishlab chiqilgan bo‘lib, foydalanuvchi interfeysi, amaliy xizmatlar, mashinaviy o‘qitish konveyeri, saqlash hamda hisobot-vizualizatsiya qatlamlaridan tashkil topgan. Platforma OHLCV ma’lumotlarini onlayn va lokal yuklash, validatsiya, feature engineering, xronologik bo‘lish, faqat training ma’lumotlari asosida masshtablash, Adaptive CatBoost modelini o‘qitish, metrikalarni hisoblash, model registri va saqlangan model orqali prognoz yaratishni qo‘llab-quvvatlaydi.

Аннотация. Практическое применение искусственного интеллекта для финансового прогнозирования требует единой программной среды, объединяющей загрузку данных, предварительную обработку, обучение модели, оценивание, хранение результатов, визуализацию и повторное прогнозирование. В статье представлена архитектура и программная реализация интеллектуальной веб-системы прогнозирования динамики фондового рынка. Система разработана как модульное приложение на Python/Streamlit и включает пользовательский интерфейс, сервисный слой, конвейер машинного обучения, слой хранения данных и модуль отчетности и визуализации. Платформа поддерживает загрузку OHLCV-данных, их проверку, формирование признаков, хронологическое разделение выборки, обучение Adaptive CatBoost, расчет метрик, регистрацию моделей и формирование прогнозов с использованием ранее обученных моделей.