Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры
  • Войти
  • RU | EN
Статьи, Журналы

Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры

Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры
Статьи, Журналы

Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры

Мирчу, В.И. Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры / В. И. Мирчу, Е. И. Балдина // Финансовый менеджмент. — Москва, 2026 — N 7. — С.148-154. — Библиогр. в конце ст.
Мирчу, В.И. и Балдина, Е.И., (2026), "Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры", Финансовый менеджмент, Москва, 2026, N 7, С.148-154.
Мирчу В И, Балдина Е И. Анализ предсказуемости доходности финансовых временных рядов с использованием гибридной CNN-LSTM архитектуры. Финансовый менеджмент. 2026; (N 7). С.148-154.
Выпуск
Финансовый менеджмент, 2026, N 7
Источник

Аннотация

В работе исследуется проблема предсказуемости доходности финансовых временных рядов на примере фондового индекса S&P 500 Финансовые рынки характеризуются высокой степенью стохастичности, слабой автокорреляционной структурой доходностей и выраженной кластеризацией волатильности, что существенно усложняет задачу построения устойчивых прогностических моделей. Цель исследования заключается в эмпирической проверке гипотезы о наличии извлекаемого прогностического сигнала в динамике доходностей с использованием гибридной нейросетевой архитектуры CNN– LSTM. В качестве эмпирической базы используется дневной временной ряд индекса S&P 500 за период 2005-2025 гг. На основе исходных данных формируются логарифмические доходности и набор производных признаков, отражающих краткосрочную динамику цен, внутридневную волатильность и рыночную активность. Для прогнозирования используется гибридная архитектура, объединяющая сверточные слои для извлечения локальных паттернов динамики и рекуррентные блоки LSTM для моделирования временных зависимостей. Экспериментальный анализ проводится в регрессионной, классификационной и вероятностной постановках задачи. Полученные результаты позволяют оценить наличие предсказуемой структуры в динамике доходностей и определить ограничения применения глубоких нейросетевых моделей в задачах прогнозирования финансовых временных рядов.

Ключевые слова

  • УДК:
    330.43

Рекомендовано к ознакомлению

Отзывы читателей

0