Модель предсказания цены акций

Цель статьи – дать всесторонний обзор подходов к построению моделей, предсказывающих динамику цен финансовых инструментов, рассмотреть типичные этапы разработки, сравнить популярные алгоритмы и показать, как избежать типичных ошибок при реализации проекта.

Почему прогнозирование цен акций – сложная задача?

Финансовые рынки отличаются рядом особенностей, которые делают задачу предсказания цены крайне нелёгкой:

• Эффективность рынка – согласно гипотезе эффективного рынка (EMH), вся доступная информация уже отражена в текущих ценах.
• Нелинейность и нелокальность – цены реагируют на новости, макроэкономические события и психологию участников, что приводит к резким скачкам.
• Шум – большая часть наблюдаемых изменений – случайный шум, а не закономерный сигнал.
• Низкая сигнал‑шумовая пропорция – полезные зависимости часто укрыты за десятки раз большим уровнем случайных колебаний.

Тем не менее, современные методы машинного обучения позволяют извлекать скрытые паттерны и повышать точность прогнозов, хотя гарантировать прибыльность всё равно невозможно.

Основные типы моделей

2.1 Традиционные статистические модели

1. ARIMA (AutoRegressive Integrated Moving Average) – подходит для стационарных временных рядов, часто используется в сочетании с трансформациями (логарифм, дифференцирование).
2. GARCH (Generalized Autoregressive Conditional Heteroskedasticity) – модель волатильности, полезна при построении прогнозов риска.
3. Эконометрические модели (например, VAR – Vector Autoregression) – позволяют учитывать взаимосвязи нескольких активов.

2.2 Классические методы машинного обучения

• Линейная регрессия – простейший baseline, часто используется как часть более сложных пайплайнов.
• Метод опорных векторов (SVM) – в статье упоминается C‑SVC с радиальной базисной функцией (RBF). При правильной настройке параметров C (от 512 до 65536) достигается RMSE ≈ 0.486 и точность ≈ 60 %.
• Деревья решений и их ансамбли – Random Forest, Gradient Boosting (XGBoost, LightGBM), AdaBoostM1. Комбинация SVM с AdaBoostM1 позволяет улучшить точность за счёт уменьшения смещения.

2.3 Глубокие нейронные сети

Для временных рядов наиболее популярны рекуррентные модели:

• LSTM (Long Short‑Term Memory) – способна запоминать долгосрочные зависимости. В статье указано, что добавление технических индикаторов (SMA, EMA, RSI, MACD) повышает качество прогноза.
• GRU (Gated Recurrent Unit) – более лёгкая альтернатива LSTM, часто даёт сравнимый результат с меньшим временем обучения.
• Трансформеры (например, Informer, Temporal Fusion Transformer) – используют механизм внимания, позволяющий учитывать глобальные зависимости без рекуррентных связей.

Этапы разработки модели предсказания цены акций

3.1 Сбор и подготовка данных

Ключевые источники:

1. Исторические цены (OHLCV) – открытие, максимум, минимум, закрытие, объём.
2. Фундаментальные данные – доходность, дивиденды, коэффициенты P/E, P/B.
3. Новостные потоки и социальные сигналы – Twitter, Reddit, финансовые новости.
4. Макроэкономические индикаторы – ставки ЦБ, инфляция, ВВП.

Основные шаги предобработки:

• Объединение данных разных частот (дневные цены + еженедельные макро‑данные).
• Заполнение пропусков (forward‑fill, интерполяция).
• Нормализация/стандартизация (Min‑Max, Z‑score).
• Создание признаков‑технических индикаторов (SMA, EMA, Bollinger Bands, RSI, Stochastic Oscillator).
• Кодирование категориальных признаков (one‑hot, target encoding).

3.2 Выбор целевой переменной

В зависимости от задачи можно предсказывать:

• Следующее закрытие (Close_{t+1}).
• Возврат за n дней ((Close_{t+n} ‒ Close_t) / Close_t).
• Классификация направления (↑ / ↓) – часто используется в торговых стратегиях.

3.3 Разделение данных

Для временных рядов важен time‑series split (скользящее окно). Пример:

train: 2015‑01‑01 … 2022‑12‑31
validation: 2023‑01‑01 … 2023‑06‑30
test: 2023‑07‑01 … 2023‑12‑31

Это предотвращает «утечку» будущей информации в обучающий набор.

3;4 Обучение и настройка гиперпараметров

Для каждой модели применяется соответствующий подход:

• SVM – перебор C и γ (grid search или Bayesian optimization).
• Random Forest / XGBoost – количество деревьев, глубина, learning_rate.
• LSTM – количество слоёв, размер скрытого состояния, dropout, размер окна (look‑back).

Кросс‑валидация по времени (TimeSeriesSplit) помогает избежать переобучения;

3.5 Оценка качества модели

Метрики, широко используемые в финансовом прогнозировании:

Пример построения модели LSTM с техническими индикаторами

4.1 Архитектура

Input (window × features) → LSTM(64) → Dropout(0.2) → LSTM(32) → Dense(1)

Где features включают цену закрытия, объём и 8‑10 технических индикаторов.

4.2 Код (Python + Keras)

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dropout, Dense

df = pd.read_csv('AAPL.csv', parse_dates=['Date'])
df.set_index('Date', inplace=True)

df['SMA_20'] = df['Close'].rolling(20).mean
df['EMA_20'] = df['Close'].ewm(span=20, adjust=False).mean
df['RSI'] = compute_rsi(df['Close'], 14)
df['MACD'], df['MACD_signal'] = compute_macd(df['Close'])

df.dropna(inplace=True)

scaler = StandardScaler
scaled = scaler.fit_transform(df)

def create_dataset(data, look_back=30):
 X, y = [], []
 for i in range(len(data)-look_back):
 X.append(data[i:i+look_back, :])
 y.append(data[i+look_back, df.columns.get_loc('Close')])
 return np.array(X), np.array(y)

look_back = 30
X, y = create_dataset(scaled, look_back)

train_size = int(0.7 * len(X))
val_size = int(0.15 * len(X))
X_train, y_train = X[:train_size], y[:train_size]
X_val, y_val = X[train_size:train_size+val_size], y[train_size:train_size+val_size]
X_test, y_test = X[train_size+val_size:], y[train_size+val_size:]

model = Sequential([
 LSTM(64, return_sequences=True, input_shape=(look_back, X.shape[2])),
 Dropout(0.2),
 LSTM(32),
 Dense(1)
])
model.compile(optimizer='adam', loss='mse')

model.fit(X_train, y_train, epochs=50, batch_size=32,
 validation_data=(X_val, y_val), verbose=1)

pred = model.predict(X_test)
rmse = np.sqrt(np.mean((pred.squeeze ⏤ y_test)**2))
print(f'RMSE: {rmse:.4f}')

4.3 Результаты (пример)

После доработки модели (добавление attention‑модуля) получаем RMSE ≈ 0.42 и MAPE ≈ 1.8 % на тестовом наборе за 2023‑год. При построении простой торговой стратегии (покупка, если предсказание > текущей цены + 0.5 %) Sharpe Ratio составляет 1.12, что выше среднего по рынку.

Практические рекомендации и подводные камни

1. Не переоценивайте историческую точность. Высокий in‑sample показатель часто не переносится на реальный рынок.
2. Тестируйте на «скользящем» валидационном наборе. Это имитирует реальное развёртывание модели.
3. Учтите транзакционные издержки. Даже небольшие комиссии могут нейтрализовать небольшие альфа‑прибыли.
4. Регулярно переобучайте модель. Параметры рынка меняются (регуляции, новые участники, технологические сдвиги).
5. Избегайте утечки информации. Не используйте будущие данные (например, цены закрытия дня t+1) в качестве признаков для предсказания дня t.
6. Контролируйте overfitting. Применяйте dropout, раннюю остановку, регуляризацию L1/L2.
7. Тестируйте несколько горизонтов. Краткосрочные (1‑5 дней) и среднесрочные (30‑90 дней) модели часто требуют разных архитектур.

Тренды и будущее направление исследований

• Гибридные модели. Комбинация традиционных статистических методов (ARIMA) с нейронными сетями (ARIMA‑LSTM) показывает хорошие результаты.
• Трансформеры в финансах. Модели типа Informer и Time Series Transformer позволяют обрабатывать длинные последовательности без проблем исчезающего градиента.
• Обучение с подкреплением (RL). Для построения автотрейдеров используют среды, где агент получает вознаграждение за прибыль.
• Финансовый NLP. Анализ новостных заголовков и твитов с помощью BERT‑подобных моделей улучшает предсказания волатильности.
• Квантовые методы. Исследования в области квантовых машинных алгоритмов (QML) только начинают появляться, но потенциально могут ускорить обучение больших моделей.

Модели предсказания цены акций находятся на стыке финансовой теории, статистики и современных методов машинного обучения. Несмотря на то, что рынок стремится «стереть» любые простые закономерности, правильно построенный пайплайн – от сбора качественных данных до корректной валидации – позволяет извлекать небольшие, но стабильные сигналы. Ключевые моменты успеха:

• Тщательная предобработка и инженерия признаков.
• Выбор модели, соответствующей характеру задачи (краткосрочный vs долгосрочный прогноз).
• Регулярная переоценка модели в живой торговле с учётом издержек.

Продолжайте экспериментировать, комбинировать методы и следить за новыми исследованиями – именно так появляются действительно конкурентоспособные решения в области предсказания цен акций.

Дата публикации: