Исследователи факультета компьютерных наук НИУ ВШЭ проанализировали более 200 тысяч конфигураций моделей для прогнозирования цен акций и реализованной волатильности и выяснили, что точность предсказаний можно улучшить, если заранее очищать данные от шумов на конкретных частотах.

Как сообщается в исследовании, опубликованном в журнале Applied Soft Computing, предложенный подход повышает качество прогноза в 65% случаев. Кроме того, авторы разработали собственный алгоритм, который по точности сопоставим с лучшими существующими моделями, но при этом требует значительно меньших вычислительных мощностей.

Финансовые временные ряды — например, дневные цены акций или показатели волатильности — относятся к числу наиболее сложных объектов для прогнозирования. На их динамику влияет множество разнородных факторов: новостной фон, поведение участников рынка, технологические сдвиги и случайные события. Эти воздействия часто накладываются друг на друга, делая закономерности нестабильными. В результате традиционные модели либо требуют сложной ручной настройки под каждый конкретный актив, либо выдают результаты, неприменимые на практике.

Команда из Научно-учебной лаборатории моделей и методов вычислительной прагматики ФКН НИУ ВШЭ предложила использовать для решения этой проблемы вейвлет-преобразования. Этот математический аппарат позволяет представить временной ряд в виде суммы компонент с разной степенью детализации и отделить шумы различных порядков. В отличие от классического преобразования Фурье, вейвлеты дают возможность одновременно учитывать и временную, и частотную составляющую сигнала.

Для проверки гипотезы исследователи взяли реальные данные по 89 финансовым активам, включая акции компаний и криптовалюты. Использовались ряды средних дневных цен, а также показатели реализованной волатильности, рассчитанные по пятиминутным интервалам. Активы были разбиты на кластеры, после чего для каждого кластера выделялись ведущие инструменты. На них авторы сравнили различные подходы к прогнозированию: классические эконометрические модели, методы машинного обучения, нейросети и собственный алгоритм, получивший название «метод тройной поправки».

Разработанный авторами алгоритм показал конкурентоспособные результаты. В отличие от классических моделей с фиксированными параметрами, он обновляет их на каждом шаге прогноза и одновременно учитывает несколько типов отклонений в данных, что позволяет лучше адаптироваться к изменениям рыночной конъюнктуры. На рядах средних дневных цен метод занял второе место в общем ранжировании по Коупленду, уступив лишь наивному прогнозу, и превзошёл остальные подходы при полном попарном сравнении абсолютных величин ошибок. Для рядов волатильности результаты оказались менее однозначными, однако в сочетании с вейвлет-преобразованиями алгоритм часто давал лучший или близкий к лучшему прогноз. При этом он остаётся вычислительно проще многих альтернатив и не требует сложного подбора гиперпараметров.

«Хотя метод тройной поправки не всегда даёт наилучший результат для каждого конкретного ряда, он стабильно показывает хороший прогноз для большинства случаев, а именно этого часто не хватает на практике, — отметил один из авторов исследования, сотрудник лаборатории Вячеслав Маневич. — Узкоспециализированные модели могут работать лучше, но быстро теряют эффективность при изменении условий».

Эксперименты подтвердили, что вейвлет-преобразования улучшают прогнозы более чем в 65% случаев. При этом эффект зависит от типа данных: для цен акций преобразования помогали лучше выделять долгосрочный тренд на фоне рыночного шума, а для волатильности — точнее описывать резкие и неравномерные изменения, которые традиционно делают прогноз особенно сложным.

Авторы исследования подчёркивают, что даже небольшое относительное улучшение точности с помощью подобных методов может привести к ощутимому абсолютному приросту прибыли, особенно при больших оборотах. В дальнейшем они планируют изучить возможность автоматического подбора оптимальных вейвлет-преобразований, а также расширить метод на многошаговые прогнозы — для задач не только в финансах, но и в бизнесе, энергетике или медицине, где важно предсказывать не только следующий, но и более отдалённые значения.

Исследование проведено при поддержке Программы фундаментальных исследований НИУ ВШЭ.