Российские учёные создали алгоритм для точного прогноза финансовых рынков

Прогнозирование финансовых рынков остаётся сложной задачей из-за множества факторов: новостного фона, поведения инвесторов и случайных событий. Эти влияния накладываются друг на друга, создавая нестабильные закономерности в данных. Традиционные модели либо требуют сложной настройки, либо дают результаты, неприменимые на практике.

Новый подход к анализу данных

Исследователи Научно-учебной лаборатории моделей и методов вычислительной прагматики предложили использовать вейвлет-преобразования. Этот математический метод позволяет представить временной ряд как сумму компонент с разной детализацией и эффективно отделить шумы различных порядков. В отличие от классического преобразования Фурье, вейвлеты учитывают одновременно и время, и частоту сигнала.

Для проверки метода учёные взяли реальные данные по 89 финансовым активам, включая акции компаний и криптовалюты. Анализировались ряды средних дневных цен и реализованной волатильности, рассчитанные по данным с пятиминутным шагом. Активы были разбиты на кластеры, после чего выбирались ведущие представители каждого кластера.

Результаты тестирования

В ходе исследования было протестировано более 200 тысяч конфигураций различных моделей: классических эконометрических, методов машинного обучения, нейросетей и собственного алгоритма авторов — метода тройной поправки. Эксперименты показали, что вейвлет-преобразования улучшают прогнозы более чем в 65% случаев.

Разработанный алгоритм не использует заранее зафиксированные параметры, а обновляет их на каждом шаге прогноза, одновременно учитывая несколько типов отклонений в данных. Это позволяет методу лучше адаптироваться к изменениям рынка. На рядах средних дневных цен метод занял второе место в общем ранжировании по Коупленду, уступив только наивному прогнозу, но обойдя другие методы при полном сравнении абсолютных величин.

Для рядов волатильности результаты были менее однозначными, но в сочетании с вейвлет-преобразованиями метод часто давал лучший или близкий к лучшему прогноз. При этом алгоритм оставался вычислительно проще многих альтернатив и не требовал сложного подбора параметров.

Как отмечает научный сотрудник лаборатории Вячеслав Маневич, хотя метод тройной поправки не всегда даёт наилучший результат для каждого конкретного ряда, он стабильно показывает хороший прогноз для большинства случаев. Узкоспециализированные модели могут работать лучше, но быстро теряют эффективность при изменении условий.

Эффект от применения вейвлет-преобразований зависит от типа данных: для цен акций они помогают лучше выделить тренд на фоне рыночного шума, а для волатильности — точнее описать резкие и неравномерные изменения. Исследователи подчёркивают, что даже небольшое улучшение точности может дать ощутимый прирост прибыли, особенно при больших оборотах.

В дальнейшем учёные планируют изучить, как автоматически подбирать оптимальные вейвлет-преобразования и расширить метод на многошаговые прогнозы. Это открывает перспективы для применения в бизнесе, энергетике и медицине, где важно предсказывать не только следующий шаг, но и более долгосрочные изменения.