Современные финансовые рынки представляют собой сложные, динамичные системы, в которых принятие своевременных и обоснованных решений напрямую влияет на эффективность инвестиционной и торговой стратегии. В условиях насыщения рынков огромными объёмами данных и ужесточения конкуренции между участниками особую значимость приобретают методы анализа и прогнозирования. Одной из ключевых задач в этой области является анализ временных рядов – последовательностей наблюдений, упорядоченных во времени, – с целью выявления и прогнозирования рыночных тенденций. Традиционные статистические подходы, такие как модели ARIMA или GARCH, несмотря на свою теоретическую обоснованность, зачастую оказываются недостаточными для адекватного описания нелинейных, нестационарных и шумовых характеристик финансовых данных.

В связи с этим в последние годы все больше распространение получают методы машинного обучения (МО), демонстрирующие высокую гибкость в обработке сложных паттернов и способность адаптироваться к изменяющимся условиям рынка. От классических алгоритмов на основе деревьев решений до современных архитектур глубокого обучения – такие модели открывают новые горизонты в прогнозировании цен, оценке рисков и автоматизации торговых решений. Применение машинного обучения для анализа ценовых движений открывает новые горизонты для трейдеров фьючерсов, особенно в контексте краткосрочной торговли. Технологии машинного обучения предоставляют инструменты для анализа больших объемов исторических данных, выявления закономерностей и предсказания будущих движений цен. Это обеспечивает трейдерам существенное конкурентное преимущество на рынке [1]. Однако, несмотря на многообещающие результаты, применение машинного обучения в финансах сопряжено с рядом фундаментальных вызовов: высоким уровнем шума, склонностью к переобучению, проблемами обобщающей способности и этическими рисками, связанными с алгоритмической торговлей.

Финансовые временные ряды – такие как котировки акций, валютные курсы, индексы волатильности или объёмы торгов – обладают рядом свойств, существенно отличающих их от временных рядов в других областях, например в метеорологии, инженерии или демографии. Эти особенности создают серьёзные трудности для построения надёжных и устойчивых прогнозных моделей и во многом определяют выбор методов их анализа.

Во-первых, финансовые временные ряды характеризуются стационарностью. В ценовых рядах каждое значение зависит от длинной истории ценовых уровней, следовательно, они имеют память. Исследователи в большинстве своем анализируют изменение цены, т.е. работают с приращениями цен (или логарифмами приращений), изменениями доходностей или волатильности. Подобные трансформации временного ряда делают временной ряд стационарным, но при этом удаляют всю память из ценовых последовательностей, потому что строятся на ограниченной длине окна. Долгосрочная зависимость (долгая память или долгосрочная персистентность) является основой для предсказательных свойств моделей, поэтому модель должна содержать некоторое количество памяти для оценки того, как далеко цена удалилась от своего ожидаемого значения. Статистические свойства таких рядов – среднее, дисперсия, автокорреляционная структура – могут меняться со временем под влиянием макроэкономических событий, изменений в регулировании, рыночных настроений или технологических сдвигов [1]. Это делает неприменимыми многие классические методы, предполагающие стационарность процесса.

Во-вторых, на финансовых рынках наблюдается высокая волатильность, часто проявляющаяся в виде кластеризации: периоды высокой изменчивости сменяются периодами относительного спокойствия. Эта особенность хорошо описывается моделями типа GARCH, однако она также осложняет прогнозирование, особенно на краткосрочных горизонтах.

В-третьих, финансовые данные содержат значительный уровень шума. Цена в каждый момент времени формируется совокупностью действий множества участников рынка с разными целями, стратегиями и доступом к информации. Однако существующие модели не включают методы устранения шума. В результате большинство эконометрических исследований приходят к ложным выводам, подкрепленным шумом, а не сигналом.

Статистические тесты эффективности прогнозирования модели обычно проводятся путем разделения заданного набора данных на обучающую выборку, используемую для выбора модели и оценки её гиперпараметров, и тестовую выборку, на данных которой модель не обучалась, и которая используется для оценки эффективности обобщающей способности модели. Модель, полученная в результате обучения на данных, в которых имеется корреляция и выбросы, имеет низкое качество прогнозирования.

В рамках данного исследования будут рассмотрены несколько ключевых алгоритмах машинного обучения, которые хорошо показали себя в задачах прогнозирования временных рядов. Одним из наиболее простых и распространенных методов является линейная регрессия. Этот подход позволяет установить линейные зависимости между переменными и часто используется как базовая модель для сравнения с более сложными методами. Линейная регрессия может быть эффективной при наличии линейных трендов данных, однако ограничения не позволяют сделать реалистичный вывод, когда данные демонстрируют сложные нелинейные зависимости или сезонные колебания [2].

Модели на основе деревьев, такие как Random Forest и особенно градиентный бустинг (XGBoost, LightGBM, CatBoost), стали одними из самых популярных инструментов в прикладном финансовом прогнозировании. Их преимущества включают устойчивость к выбросам, способность автоматически учитывать взаимодействия между признаками и высокую интерпретируемость важности переменных. В отличие от нейросетей, такие модели не требуют нормализации данных и хорошо работают на небольших выборках. Однако они не обрабатывают последовательности напрямую: временная зависимость моделируется исключительно через искусственно созданные лаги и агрегаты [3]. Тем не менее, на практике ансамбли деревьев часто оказываются конкурентоспособными или даже превосходят глубокие модели по устойчивости и скорости обучения.

Для работы с последовательностями естественным выбором стали рекуррентные архитектуры, в особенности LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit). Эти модели способны запоминать долгосрочные зависимости и учитывать динамику временного ряда без явного конструирования признаков. LSTM получили широкое распространение в финансах благодаря своей способности моделировать нелинейные временные паттерны и адаптироваться к изменяющейся волатильности. Однако их эффективность сильно зависит от объёма данных, качества предобработки и регуляризации, а также подвержена риску переобучения.

Рекуррентная нейронная сеть без сохранения состояния представляет

собой разновидность нейронной сети, в которой данные передаются в виде перекрывающихся окон. В конце каждого окна формируется вектор состояния, который затем сбрасывается и не используется дальше (Рис. 1). Эта особенность усложняет запоминание длительных паттернов временного ряда, так как сеть может удерживать информацию только о нескольких десятков временных шагов.

Рисунок 1. Пример работы развернутой рекуррентной нейронной сети (RNN)

Long Short-Term Memory (LSTM) – это метод, который позволяет рекуррентным нейронным сетям запоминать долгосрочные последовательности данных. Нейросеть LSTM обладает более продолжительной памятью, что позволяет ей закреплять паттерны/модели, охватывающие более 100 временных шагов. Несмотря на это, работа с очень длинными последовательностями может представлять трудности [4]. Кроме того, LSTM решает проблему исчезающих градиентов, которая часто возникает при использовании стандартных рекуррентных нейронных сетей и требует внесения определенных изменений. Данные нейронные сети эффективны в задачах классификации, обработки и прогнозирования временных рядов.

Рисунок 2. Составляющие LSTM

В финансовом секторе нейронные сети активно используются для прогнозирования цен акций, валютных курсов и других финансовых инструментов. Например, компания Goldman Sachs применяет LSTM для анализа исторических данных о ценах на золото и других активов. Модель обучается на больших объемах данных, включая информацию о предыдущих ценах, объемах торгов и даже новостях. После обучения, такая модель пытается предсказать предстоящие значения цен. В данном случае, такие метрики, как RMSE и MAPE, помогают трейдерам оценивать качество прогнозов. Например, если внедрение LSTM модели приводит к снижению MAPE на 5%, это может значительно повысить прибыльность торговых стратегий [4].

Одним из наиболее известных случаев применения МО в трейдинге является хедж-фонд Renaissance Technologies, который на протяжении десятилетий использует сложные математические и статистические модели, в том числе методы машинного обучения, для генерации альфа-доходности [5].

В академической и прикладной литературе также описаны успешные применения градиентного бустинга для краткосрочного прогнозирования направления движения цены. Например, исследование Dixon et al. (2020) продемонстрировало, что XGBoost, обучённый на технических индикаторах и микроструктурных признаках, способен генерировать статистически значимые сигналы на валютном рынке (forex) с положительной информационной долей (Information Ratio). Аналогично, Fischer et al. (2018) показали, что LSTM-сети могут эффективно классифицировать трендовые и контртрендовые режимы на рынке акций S&P 500, что позволяет строить прибыльные торговые стратегии после учёта транзакционных издержек.

Однако многочисленные попытки внедрения МО в трейдинг заканчиваются неудачей. Яркий пример — бум «AI-трейдинговых ботов» в 2017–2021 гг., когда множество стартапов и частных разработчиков обещали сверхдоходы с помощью нейросетей. Большинство таких систем, протестированных независимыми исследователями (например, в работах Bailey et al., 2019), показали, что их прибыльность исчезает после учёта спредов, комиссий и проскальзывания. Более того, в условиях рыночных шоков (например, во время кризиса 2020 года или банковского коллапса в 2023 г.) многие алгоритмические стратегии демонстрировали катастрофическую просадку, так как обучались на «нормальных» данных и не учитывали экстремальных сценариев (concept drift).

Сложность решения задачи прогнозирования роста цен и акций на рынке обусловлена наличием значительного количества факторов, влияющих на стоимость ценных бумаг и приводящих к высокой волатильности и зашумлению данных [5]. Для приведения к стационарности ряд дифференцируют, т.е. аналитики работают с приращениями или логарифмами приращений цен. Это позволяет применить модели, основанные на автокорреляционной функции (ARMA, ARIMA). Однако дифференцирование ряда удаляет всю память из ценовых последовательностей.

Для того чтобы ряд был стационарным и при этом содержал максимально возможное количество памяти, используют дробное дифференцирование.

Для решения задачи прогнозирования финансовых временных рядов представляется перспективным использовать методы машинного обучения, в частности, нейронные сети, поскольку они обладают тем преимуществом, что способны обобщить и выделить скрытые зависимости между данными, на основе чего прогнозировать или проводить классификацию.

Анализ современных подходов к прогнозированию финансовых временных рядов показывает, что, несмотря на значительный прогресс в методологии и вычислительных возможностях, задача надёжного и устойчивого прогнозирования рыночных тенденций остаётся чрезвычайно сложной. Модели машинного обучения продемонстрировали способность выявлять нелинейные закономерности, адаптироваться к динамике рынка и в отдельных случаях генерировать статистически значимые торговые сигналы. Однако их практическая эффективность сильно ограничена фундаментальными свойствами финансовых данных: высоким уровнем шума, стационарностью, низким соотношением «сигнал/шум» и склонностью к резким структурным сдвигам. Наиболее устойчивые результаты, как правило, достигаются не за счёт сложности архитектуры, а благодаря тщательной предобработке данных.