Нейронные сети для предсказания рынка

Сегодня , и инвесторы уже не представляют работу без алгоритмов, которые подсказывают, куда пойдёт цена акций уже на следующий торговый день․ Искусственный интеллект превратился из «интересной игрушки» в полноценный инструмент управления капиталом․ Ниже ― подробный разбор того, как нейросети предсказывают движение фондового рынка, на какие показатели нужно ориентироваться и какие подводные камни ждут трейдера-новатора․

Почему именно нейросети?

• Нелинейность․ Котировки не подчиняются простым линейным законам; они демонстрируют хаотические всплески, фрактальные структуры и «долговременную память»․ Классические ARIMA-модели спотыкаются, нейросети — нет․
• Масштабируемость․ Одна и та же архитектура покрывает как российские «Газпром» и «Сбер», так и американские FAANG․
• Интерполяция vs экстраполяция․ Как отмечалось на MQL4 Community, нейросеть всё-таки интерполирует данные в многомерном пространстве, а не экстраполирует в пустоту, это повышает стабильность прогноза․

Архитектура: минимальный рабочий набор

2․1 Слои сети

1. Входной слой (Input Layer)
   Подаётся временной ряд P(t-n), …, P(t-1), где P — цена закрытия, n — «окно» в днях․ Дополнительно можно добавить:
   • объём торгов V(t);
   • показатель Херста H(t) — мера персистентности тренда;
   • технические индикаторы (RSI, MACD)․
2. Скрытые слои (Hidden Layers)

   Чем больше слоёв, тем сложнее паттерны способна «увидеть» модель․ Практика показывает, что:

   • 1-2 слоя хватает для российских «голубых фишек»;
   • 3-5 слоёв (deep LSTM/GRU) нужны для валютных пар, где циклы длиннее․
3. Выходной слой (Output Layer)
   Один нейрон: ŷ(t) — предсказание цены закрытия на следующий день․

2․2 Веса, смещения и регуляризация

Каждый нейрон имеет вес w_ij и смещение b_j․ Чтобы избежать переобучения:

• применяют Dropout (случайное «выключение» 20–30 % нейронов);
• штрафуют большие веса через L2-регуляризацию․

Показатель Херста как «детектор тренда»

Перед тем как запускать нейросеть, полезно рассчитать коэффициент Херста (H):

• H < 0,5 — ряд антиперсистентен (возврат к среднему)․
• H = 0,5 — случайное блуждание․
• H > 0,5 — ряд персистентен (тренд продолжается)․

Известный тест Флоридского университета показал: если H > 0,65, вероятность правильного направления прогноза возрастает до 74 % даже у простого LSTM․

Пошаговый «рецепт» для российских акций

4․1 Сбор данных

1. Используем MOEX API или Finam за последние 10 лет․
2. Очищаем от делений акций, вычитаем дивиденды․
3. Нормализуем: x = (x ‒ μ) / σ․

4․2 Создание выборки

• Окно: 60 дней (≈ 3 месяца)․
• Шаг скольжения: 1 день ⇒ каждая строка = вектор 60 признаков․
• Целевая переменная: цена закрытия на 61-й день․

4․3 Обучение

4․4 Оценка

Метрики, которые используют в ВШЭ и на Хабре:

• RMSE ≤ 2 % от средней цены;
• Directional Accuracy ≥ 65 % — процент правильно предсказанных направлений․

Практический кейс: «Газпром» 2024–2025

Исследовательский проект студентов НИУ ВШЭ:

1. Взяли 2 500 дней данных (2014-2024)․
2. Добавили к цене закрытия объём и индекс РТС как внешний регрессор․
3. Тройная LSTM-сеть выдала RMSE 1,8 % и направление верно угадала 71 % раз․
4. По данным StocksNeural (РБК), доходность «бумажного» портфеля за год превысила индекс РТС на 14 %․

Подводные камни и как их обойти

• Переобучение․ Увеличивайте dropout до 0,4 и используйте кросс-валидацию по k=5․
• Режимные сдвиги (Regime Shift)․ Добавляйте rolling volatility как дополнительный признак․
• Низкая ликвидность․ Фильтруйте акции, у которых средний дневной объём < 100 млн ₽․
• Стоимость вычислений․ Оптимальный баланс — облачный GPU P100/V100 за 150 ₽/час․

Что дальше?

Генеративные модели (Transformer, TCN) уже тестируются в хедж-фондах для многодневного горизонта․ Параллельно развиваются «объясняющие» методы — SHAP, LIME, которые помогают понять, почему нейросеть решила купить «Сбер»․

Нейронные сети не волшебная таблетка, но надёжный инструмент, который превращает хаотические рыночные данные в управляемые сигналы․ Главное — не забывать про риск-менеджмент и регулярно переобучать модель под новые «режимы» рынка․

Остались вопросы? Присоединяйтесь к форуму MQL4 или читайте открытые статьи на КиберЛенинке — там же можно скачать код экспериментов․