Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядо
  • Войти
  • RU | EN
Статьи, Журналы

Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX

Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX
Статьи, Журналы

Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX

Курышев, Р.Э. Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX / Р. Э. Курышев, Р. А. Агеев // Финансовая аналитика. — Москва, 2026 — N 2. — С.78-86. — Библиогр. в конце ст.
Курышев, Р.Э. и Агеев, Р.А., (2026), "Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX", Финансовая аналитика, Москва, 2026, N 2, С.78-86.
Курышев Р Э, Агеев Р А. Сравнительный анализ использования моделей глубокого и машинного обучения для прогнозирования нестационарных финансовых временных рядов на примере индекса IMOEX. Финансовая аналитика. 2026; (N 2). С.78-86. DOI:DOI.
Выпуск
Финансовая аналитика, 2026, N 2
Источник

Аннотация

Предмет. Сравнение архитектур машинного и глубокого обучения в задаче прогнозирования нестационарных финансовых временных рядов на примере дневных цен закрытия индекса МосБиржи (IMOEX). Цели. Критически оценить современные архитектуры и продемонстрировать методологические ловушки и статистические артефакты при прогнозировании абсолютных цен, а также оценить реальную предсказательную ценность моделей, а не только формальные метрики. Методология. На исторических дневных данных индекса IMOEX (2010–-2025 гг.), сгенерировано 20 признаков. Выборка разбита хронологически (80/10/10), чтобы избежать утечки данных. Сравнили производительность 8 моделей (включая LSTM, N-Linear, PatchTST, Chronos) по метрикам MAE, RMSE и R². Результаты. Подтверждена гипотеза о статистическом артефакте. Высокие R² ( 0,97) большинства моделей возникают из-за того, что они просто повторяют персистентный прогноз (R² = 0,976). Лидеры – фундаментальная модель Chronos и простая линейная N-Linear (R² = 0,98). Они незначительно обошли базовый прогноз. PatchTST показала низкий результат (R² = 0,32) из-за конфликтов в методологии и архитектуре. Выводы. Ценность модели для нестационарных рядов – в способности обойти сильный персистентный бейзлайн. Лучшие результаты показали противоположные архитектуры: сложная Chronos и простая N-Linear. Это доказывает, что единого "лучшего" решения нет. Квант-аналитику нужны оба типа инструментов: фундаментальные модели для точности (LFT) и линейные для скорости (HFT).

Ключевые слова

  • УДК:
    336.76
  • DOI: DOI — Digital Object Identifier — цифровой идентификатор объекта. Современный стандарт обозначения объектов информационной деятельности в сети Интернет, позволяющий идентифицировать и искать научные данные, размещённые в сети Интернет и привязывать к объекту дополнительные метаданные. Номер DOI всегда остаётся неизменным, который позволяет найти объект, даже если сведения о нем не полные или не точные.
    10.24891/ dtxvot

Рекомендовано к ознакомлению

Отзывы читателей

0