Исследователи НИУ ВШЭ создали адаптивный алгоритм, повышающий точность прогнозов для сложных финансовых данных, таких как цены акций и криптовалют. Метод успешно протестирован на 89 реальных активах.
Сложность прогнозирования финансовых данных
Финансовые временные ряды, отражающие динамику цен или волатильности, подвержены влиянию множества факторов: новостей, действий инвесторов, технологий и случайных событий. Эти факторы накладываются, делая закономерности нестабильными, а существующие модели либо сложны в настройке, либо дают непрактичные результаты.
Решение от НИУ ВШЭ: Вейвлет-преобразования
Ученые Научно-учебной лаборатории моделей и методов вычислительной прагматики ФКН НИУ ВШЭ предложили использовать вейвлет-преобразования. Этот подход позволяет разложить временной ряд на компоненты разной детализации и эффективно отделить шумовые помехи.
Масштабное тестирование на реальных активах
Для проверки метода взяты данные по 89 финансовым активам (акции, криптовалюты), включая ряды средних дневных цен и волатильности, рассчитанные с шагом в пять минут. Активы сгруппированы в кластеры, выбраны ведущие в каждом. Авторы сравнили свой алгоритм "тройной поправки" с классическими эконометрическими моделями, машинным обучением и нейросетями, протестировав свыше 200 тысяч конфигураций.
Убедительные результаты нового алгоритма
Алгоритм показал высокую эффективность. Он динамически обновляет параметры на каждом шаге прогноза и учитывает разные типы отклонений, лучше адаптируясь к рынку. Для цен акций метод занял второе место в общем ранжировании, уверенно превзойдя большинство альтернатив по абсолютным величинам. В прогнозе волатильности результаты были вариативны, но с вейвлетами метод часто давал лучший или близкий к лучшему результат, оставаясь вычислительно простым и не требуя сложной настройки.
Стабильность как ключевое преимущество
"Хотя наш метод не всегда лидирует для отдельного ряда, он стабильно дает качественный прогноз в большинстве случаев, что критично для практики. Специализированные модели могут быть точнее, но быстро устаревают при смене условий", — отмечает научный сотрудник лаборатории НИУ ВШЭ Вячеслав Маневич.
Перспективы применения и развития
Вейвлет-преобразования улучшили прогнозы в более чем 65% случаев, позволяя анализировать время и частоту сигнала одновременно, в отличие от, например, преобразования Фурье. Это дает более чистые данные и точнее выявляет закономерности: для цен акций лучше выделяет тренд, для волатильности — описывает резкие изменения. Даже небольшое повышение точности сулит значительную прибыль при больших оборотах. В планах ученых — автоматизация подбора оптимальных вейвлетов и расширение метода на многошаговые прогнозы для бизнеса, энергетики и медицины.
Источник: naked-science.ru
