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.
В новой работе предложен подход, в котором нейронная сеть дополняется методами нечеткой логики, которая позволяет работать с неопределенностью: значение рассматривается не только как точное число, но и как элемент некоторого нечеткого множества с определенной степенью принадлежности. Например, вместо жесткой оценки «цена высокая» или «цена низкая» такой подход позволяет учитывать промежуточные состояния.
Авторы использовали нечеткую логику на двух этапах. На этапе предварительной обработки исходные финансовые данные преобразуются в нечеткое представление. Внутри самой нейронной сети изменяются функции активации: они рассматриваются как функции принадлежности нечетких множеств. Благодаря этому сеть может одновременно учитывать временные зависимости и работать с неопределенностью в данных.
Для проверки подхода были проведены вычислительные эксперименты на финансовых данных. В статье использовались исторические котировки пары BTC-USD с разными временными интервалами: одна минута, один час и один день. Результаты сравнивались с обычной нейронной сетью с долгой краткосрочной памятью.
Эксперименты показали, что предложенная архитектура повышает точность прогнозирования по сравнению с базовой моделью. Для минутных данных точность выросла примерно в 1,3 раза, для часовых — в 1,7 раза, для дневных — в 1,5 раза. При этом обучение такой модели требует больше времени из-за дополнительных параметров.
«Финансовые временные ряды часто содержат шум и резкие колебания, поэтому для их анализа важно учитывать неопределенность самих данных. В нашей работе нечеткая логика используется как на этапе подготовки данных, так и внутри нейронной сети. Такой подход помогает снижать чувствительность модели к шуму и улучшать качество прогноза по сравнению с базовой архитектурой», — пояснил Михаил Кумсков, профессор кафедры вычислительной математики механико-математического факультета МГУ.
Работа относится к исследованиям в области нейронных сетей, нечеткой логики и прогнозирования финансовых временных рядов. Полученные результаты могут быть полезны для дальнейшей разработки моделей анализа рыночных данных и более устойчивых методов прогнозирования.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
