Ученые Междисциплинарной научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект» повысили точность прогнозирования финансовых временных рядов в 1,3–1,7 раза по сравнению с базовой моделью. Для этого они объединили нейронную сеть с методами нечёткой логики и проверили подход на котировках BTC–USD на трёх временных интервалах. Разработка может быть полезна при создании более устойчивых методов анализа рыночных данных. Работа опубликована в серии Communications in Computer and Information Science.
Прогнозирование финансовых временных рядов — сложная задача, потому что рыночные данные часто меняются нестабильно, содержат шум и зависят от большого числа факторов. Из-за этого классические статистические методы не всегда хорошо описывают такие данные, особенно если в них есть сложные нелинейные зависимости.
Нейронные сети с долгой краткосрочной памятью (особый вид рекуррентных нейронных сетей, созданный для работы с последовательностями данных и запоминания долгосрочных связей) используются для анализа последовательностей данных. Они способны учитывать не только текущее значение, но и информацию из предыдущих наблюдений. Это важно для финансовых рядов, где будущие значения могут зависеть от того, как показатель менялся ранее.
Однако такие сети тоже имеют ограничения. Они могут быть чувствительны к шуму в данных и обычно используют фиксированные функции активации, которые не всегда хорошо подстраиваются под особенности конкретного финансового ряда.
