Главная  Журналы  Финансовая аналитика: проблемы и решения  2(376) - 2026 апрель–июнь

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

Получена: 30.01.2026

Одобрена: 25.02.2026

Доступна онлайн: 28.05.2026

Рубрика: Финансовые инструменты

Коды JEL: C45, G23, G28, G51

Страницы: 78-86

https://doi.org/10.24891/dtxvot

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 R? (> 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: прогнозирование временных рядов, глубокое обучение, нестационарность, статистический артефакт, фундаментальные модели

Список литературы:

1. Staudemeyer R.C., Morris E.R. Understanding LSTM – a tutorial into Long Short-Term Memory Recurrent Neural Networks. arXiv, September, 2019. DOI: 10.48550/arXiv.1909.09586
2. Evans C., Pappas K., Xhafa F. Utilizing artificial neural networks and genetic algorithms to build an algo-trading model for intra-day foreign exchange speculation. Mathematical and Computer Modelling, 2013, vol. 58, iss. 5-6, pp. 1249–1266. DOI: 10.1016/j.mcm.2013.02.002
3. Zhou Haoyi, Zhang Shanghang, Peng Jieqi et al. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. arXiv, December, 2021. DOI: 10.48550/arXiv.2012.07436
4. Wu Haixu, Xu Jiehui, Wang Jianmin, Long Mingsheng. Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. arXiv, June 2021. DOI: 10.48550/arXiv.2106.13008
5. Zhou Tian, Ma Ziqing, Wen Qingsong et al. FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. arXiv, January 2022. DOI: 10.48550/arXiv.2201.12740
6. Zeng Ailing, Chen Muxi, Zhang Lei, Xu Qiang. Are Transformers Effective for Time Series Forecasting? arXiv, May 2022. DOI: 10.48550/arXiv.2205.13504
7. Ansari A.F., Stella L., Turkmen C. et al. Chronos: Learning the Language of Time Series. arXiv, March 2024. DOI: 10.48550/arXiv.2403.07815
8. Prata M., Masi G., Berti L. et al. Lob-based deep learning models for stock price trend prediction: a benchmark study. Artificial Intelligence Review, 2024, vol. 57. DOI: 10.1007/s10462-024-10715-4
9. Uçkan T. Integrating PCA with deep learning models for stock market Forecasting: An analysis of Turkish stocks markets. Journal of King Saud University – Computer and Information Sciences, 2024, vol. 36, iss. 8, no. 102162. DOI: 10.1016/j.jksuci.2024.102162
10. Hu Yifan, Li Yuante, Liu Peiyuan et al. FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting. arXiv, February 2025. DOI: 10.48550/arXiv.2502.18834
11. Gülmez B. Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Applications, 2023, vol. 227, no. 120346. DOI: 10.1016/j.eswa.2023.120346
12. Li Zhe, Qi Shiyi, Li Yiduo, Xu Zenglin. Revisiting Long-term Time Series Forecasting: An Investigation on Linear Mapping. arXiv, May 2023. DOI: 10.48550/arXiv.2305.10721
13. Li A. Volatility Forecasting in Global Financial Markets Using TimeMixer. arXiv, September 2024. DOI: 10.48550/arXiv.2410.09062
14. Nie Yuqi, Nam H. Nguyen, Phanwadee Sinthong, Jayant Kalagnanam. A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. arXiv, November 2022. DOI: 10.48550/arXiv.2211.14730
15. Goulding C.L, Harvey C.R., Mazzoleni M.G. Breaking Bad Trends. Financial Analysts Journal, 2024, vol. 80, iss. 1, pp. 84–98. DOI: 10.1080/0015198X.2023.2270084
16. Zhao Yuwen, Hu Baojun, Wang Sizhe. Prediction of Brent crude oil price based on LSTM model under the background of low-carbon transition. arXiv, September 2023. DOI: 10.48550/arXiv.2409.12376

Посмотреть другие статьи номера »