АНАЛИЗ ПРЕДСКАЗУЕМОСТИ ДОХОДНОСТИ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНОЙ CNN-LSTM АРХИТЕКТУРЫ
Ключевые слова:
финансовые временные ряды, прогнозирование доходности, нейронные сети, CNN-LSTM, глубокое обучение, волатильность, S&P 500Аннотация
В работе исследуется проблема предсказуемости доходности финансовых временных рядов на примере фондового индекса S&P 500. Финансовые рынки характеризуются высокой степенью стохастичности, слабой автокорреляционной структурой доходностей и выраженной кластеризацией волатильности, что существенно усложняет задачу построения устойчивых прогностических моделей. Цель исследования заключается в эмпирической проверке гипотезы о наличии извлекаемого прогностического сигнала в динамике доходностей с использованием гибридной нейросетевой архитектуры CNN- LSTM.
В качестве эмпирической базы используется дневной временной ряд индекса S&P 500 за период 2005-2025 гг. На основе исходных данных формируются логарифмические доходности и набор производных признаков, отражающих краткосрочную динамику цен, внутридневную волатильность и рыночную активность. Для прогнозирования используется гибридная архитектура, объединяющая сверточные слои для извлечения локальных паттернов динамики и рекуррентные блоки LSTM для моделирования временных зависимостей.
Экспериментальный анализ проводится в регрессионной, классификационной и вероятностной постановках задачи. Полученные результаты позволяют оценить наличие предсказуемой структуры в динамике доходностей и определить ограничения применения глубоких нейросетевых моделей в задачах прогнозирования финансовых временных рядов.
Список литературы
Тимиркаев Д.А. Моделирование волатильности многомерных финансовых временных рядов // Экономический анализ: теория и практика. 2010. № 8. С. 25-31. EDN: KZUDSX.
Campbell J.Y., LoA. W., MacKinlay A.C. The Econometrics of Financial Markets. Princeton: Princeton University Press, 1997. 611 p.
Sezer O.B., Gudelek M.U., OzbayogluA.M. Financial Time Series Forecasting with DeepLearning: A Systematic Literature Review // Applied Soft Computing. 2020. Vol. 90. DOI: 10.1016/j.asoc.2020.106181 EDN: UHBFUI.
Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. no. 8. P. 1735-1780.
Fama E.F. Efficient Capital Markets: A Review of Theory and Empirical Work // The Journal of Finance. 1970. Vol. 25. no. 2. P. 383-417.
Engle R.F. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation // Econometrica. 1982. Vol. 50. no. 4. P. 987-1007.
Кузнецова Л.Г. Экскурс в теорию случайных блужданий и её использование для оценки стоимости финансовых активов // Финансы и кредит. 2005. № 28. С. 2-10.
