ОСНОВЫ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ
Статья поступила в редакцию: 16.06.2026
Статья принята к публикации: 17.07.2026
Статья опубликована: 18.08.2026
Ключевые слова:
финансовые временные ряды, прогнозирование доходности, нейронные сети, CNN-LSTM, глубокое обучение, волатильность.Аннотация
В отличие от традиционных статистических моделей, нейросетевые архитектуры способны автоматически извлекать сложные признаки из временных последовательностей и аппроксимировать нелинейные функциональные зависимости между переменными. В последние годы такие методы активно применяются в задачах прогнозирования финансовых временных рядов. Особый интерес представляют гибридные архитектуры, объединяющие различные типы нейросетевых моделей. В частности, сочетание сверточных нейронных сетей (CNN) и рекуррентных архитектур с долговременной памятью (LSTM) позволяет одновременно учитывать локальные паттерны динамики временного ряда и долгосрочные зависимости между наблюдениями. В статье обобщена информация по нейросетевому прогнозированию временных рядов, а также определены векторы повышения его эффективности.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Финансовый менеджмент». Все права защищены. Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU www.elibrary.ru/contents.asp?titleid=9552 . Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) . Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
Список литературы
Yao W. Emerging Bond Markets: Growth Trajectories and Persistent Challenges // Advances in Economics, Management and Political Sciences. 2025. Vol. 228. No. 1. P. 6-12. DOI: 10.54254/2754-1169/2025.gl28162 EDN: PYNUGE.
Yahoo Finance's New Public API: Market Data Access for Everyone // Yahoo Finance News. [Электронный ресурс]. URL: https://www.yahooinc.com/news/yahoo-finances-new-public-api-market-data-access-for-everyone/(дата обращения: 11.07.2026).
Кравец А.Г., Нгуен Т.В. Прогнозирование технологических тенденций на основе анализа разнородных данных // Программные продукты и системы. 2022. № 3. С. 396-412. DOI: 10.15827/0236-235X.139.396-412 EDN: LCARBO.
Автокорреляция // Loginom: документация. [Электронный ресурс]. URL: https://help.loginom.ru/userguide/processors/scrutiny/autocorrelation.html (дата обращения: 09.07.2026).
Кагарманов И.А. Модели случайных блужданий и их роль в теории вероятностей // Современные научные исследования и инновации. 2024. № 12 (164). EDN: RHCHTG.
Асайын Е.Ж., Барлыбаев А. Методы глубокого обучения в прогнозировании фондового рынка: обзор и будущие направления // Вестник науки. 2024. Т. 4. № 11 (80). С. 1068-1079. EDN: BIZIGJ.
Vatsa A., Hati A.Sh., Bolshev V.E., Vinogradov A.V., Panchenko V.A., Chakrabarti P. Deep Learning-Based Transformer Moisture Diagnostics Using Long Short-Term Memory Networks // Energies. 2023. Vol. 16. No. 5. DOI: 10.3390/en16052382 EDN: LPIXSY.
Ulitzsch E., He Q., Pohl S. Innovations in Exploring Sequential Process Data // Zeitschrift für Psychologie. 2024. Vol. 232. No. 2. P. 71-73. DOI: 10.1027/2151-2604/a000560 EDN: EZAAGG.
Платонова А.И., Попов В.С. Сравнение точности моделей прогнозирования временных рядов: ARIMA, PROPHET, LSTM и GRU // Современные инновации, системы и технологии. 2025. Т. 5. № 2. С. 3061-3070. DOI: 10.47813/2782-2818-2025-5-2-3061-3070 EDN: LDSMFM.
Yadav K., Yadav M., Saini S. Stock Values Predictions Using Deep Learning Based Hybrid Models // CAAI Transactions on Intelligence Technology. 2022. Vol. 7. No. 1. P. 107-116. DOI: 10.1049/cit2.12052 EDN: IIHSAV.
