ВПРОВАДЖЕННЯ НЕЙРОМЕРЕЖЕВИХ АЛГОРИТМІВ ПРИ ПРОГНОЗУВАННІ ДИНАМІКИ ЦІН ФІНАНСОВИХ АКТИВІВ

Анотація

Проведено аналіз особливостей впровадження нейромережевих алгоритмів при прогнозуванні динаміки цін фінансових активів. Зазначено, що впровадження методів автоматизації процедури прогнозування цін фінансових активів включає у себе постановку технічного завдання, пошук критеріїв, що вказують на вирішення поставленої задачі, оцінку статистичних показників, що вказують на обсяги даних фінансової аналітики, а також вибір і оптимізацію актуальних засобів системи машинного аналізу. Для визначення ефективності системи машинного аналізу даних фінансової аналітики було проведено її порівняння з лінійними моделями на основі методики оцінки капітальних активів, що базується на одноперіодичній інвестиційній схемі, концепції уникнення ризику з боку більшості інвесторів, а також припущенні про нульові трансакційні витрати і відсутність асиметрії інформації. Зазначено переваги застосування програмних пакету ймовірнісного прогнозування, «NGBoost», як то визначення розподілу імовірності для результатів, що дозволяє отримувати повноцінний розподіл можливих значень, вибір користувачем типу ймовірнісного розподілу для побудови моделі, що дає додаткову гнучкість для застосування в різних задачах та оптимізація ймовірнісних моделей методом натурального градієнта, що забезпечує більш стабільний процес навчання при роботі зі складними розподілами. Для оцінки продуктивності нейромережевих алгоритмів при автоматизації фінансової аналітики та прогнозування до аналізу були включені моделі «NGBoost», «XGBoost», «CatBoost», «LightGBM», неглибока багатошарова нейронна мережа прямого поширення та глибока багатошарова нейронна мережа прямого поширення, причому для кожної з нейромережевих архітектур було проведено оптимізацію гіперпараметрів. Зазначено, що вибір наведених моделей є показовим для застосування у фінансовій аналітиці. Поєднання градієнтного бустингу та нейромереж забезпечує широкий спектр методів для вирішення завдань прогнозування цін активів, оцінки ризиків і точного передбачення майбутніх фінансових показників. Водночас, використання гіперпараметричної оптимізації дає змогу налаштовувати нейромережеві моделі для досягнення максимальної точності, що є критично важливим для забезпечення конкурентних переваг у фінансових ринках. Розглянуто особливості впровадження зазначеної системи оцінки з метою оптимізації нейромережевих алгоритмів для сучасних нейромережевих архітектур, як то моделі GRU, GAT і «Informer».