Нейросеть предсказание графика: Загляни в будущее!

Краткое содержание: статья рассматривает современные подходы к прогнозированию графиков (временных рядов) с помощью искусственных нейронных сетей. Мы обсудим теоретические основы‚ типы нейросетевых архитектур‚ особенности предобработки данных‚ метрики оценки и примеры реализации на Python.

Прогнозирование временных рядов, одна из ключевых задач в экономике‚ финансах‚ энергетике‚ медицине и многих других областях. Традиционные статистические модели (ARIMA‚ ETS‚ экспоненциальное сглаживание) показывают хорошие результаты на стационарных рядах‚ однако их возможности ограничены при работе с нелинейными‚ нестационарными и многомерными данными;

Искусственные нейронные сети (ИНС) способны автоматически извлекать сложные зависимости‚ учитывать нелинейные взаимодействия и адаптироваться к меняющимся паттернам. В последние годы особый интерес вызывают рекуррентные нейронные сети (RNN)‚ их модификации LSTM и GRU‚ а также сверточные сети (CNN) и гибридные архитектуры‚ такие как WaveNet.

Основные типы нейросетевых моделей для прогнозирования графика

Персептрон с одной скрытой слоём (MLP)

Простейшая многослойная модель‚ использующая скользящее окно входных значений.
Подходит для небольших наборов данных и линейных/слабо нелинейных зависимостей.
Ограничена в работе с длительными зависимостями.

Рекуррентные нейронные сети (RNN)

RNN учитывают порядок наблюдений‚ передавая скрытое состояние от одного шага к другому. Однако простые RNN страдают от проблемы затухающего/взрывающегося градиента‚ что ограничивает их способность запоминать долгосрочные паттерны.

LSTM (Long Short‑Term Memory) и GRU (Gated Recurrent Unit)

Эти архитектуры решают проблему градиентов за счёт внутренних ячеек памяти и запирающих механизмов (gate). Они стали де‑факто стандартом для большинства задач прогнозирования временных рядов.

Сверточные нейронные сети (CNN)

Хотя CNN изначально разрабатывались для обработки изображений‚ их способность выделять локальные паттерны делает их эффективными для временных рядов. Архитектура WaveNet (с каузальными свёртками и дилатацией) особенно хороша для рядов с ярко выраженными сезонностями и трендами.

Динамические нейроны‑фильтры с временной задержкой

Метод‚ описанный в статье «Методы прогнозирования временных рядов на основе искусственных нейронных сетей с элементами временной задержки»‚ использует нейроны‚ способные выполнять встроенное фильтрование входных сигналов. Такие сети обладают повышенными сглаживающими свойствами и способны работать в режиме реального времени.

Предобработка данных

Очистка от выбросов. Выбросы могут сильно исказить обучение. Применяют методы IQR‚ Z‑score или медианный фильтр.
Детрендинг и десеasonalisation. Если ряд имеет ярко выраженный тренд и сезонность‚ их часто удаляют (разностные преобразования‚ STL‑деcompose).
Нормализация/стандартизация. Для RNN и LSTM критически важно масштабировать данные в диапазон [0‚ 1] или [-1‚ 1] (Min‑Max) либо привести к нулевому среднему и единичному отклонению (StandardScaler). Это предотвращает насыщение активационных функций.
Формирование входных окон. Для модели с окнами длина look_back выбирается эмпирически (от 5 до 60 точек в зависимости от частоты данных).

Архитектуры и их реализация

Пример LSTM‑модели на Python (Keras)

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM‚ Dense


df = pd.read_csv('data.csv'‚ parse_dates=['date']‚ index_col='date')
values = df['price'].values.reshape(-1‚ 1)

scaler = MinMaxScaler(feature_range=(0‚ 1))
scaled = scaler.fit_transform(values)

def create_dataset(series‚ look_back=30):
 X‚ y = []‚ []
 for i in range(len(series) ౼ look_back):
 X.append(series[i:i+look_back‚ 0])
 y.append(series[i+look_back‚ 0])
 return np.array(X)‚ np.array(y)

look_back = 30
X‚ y = create_dataset(scaled‚ look_back)
X = X.reshape((X.shape[0]‚ X.shape[1]‚ 1))

model = Sequential
model.add(LSTM(64‚ activation='tanh'‚ input_shape=(look_back‚ 1)))
model.add(Dense(1))
model.compile(optimizer='adam'‚ loss='mse')

model.fit(X‚ y‚ epochs=50‚ batch_size=32‚ validation_split=0.1‚ verbose=2)

pred_scaled = model.predict(X[-1].reshape(1‚ look_back‚ 1))
pred = scaler.inverse_transform(pred_scaled)
print('Прогноз следующего значения:'‚ pred[0][0])

WaveNet‑подобная модель

WaveNet использует дилатированные свёртки‚ позволяющие захватывать широкий контекст без глубоких слоёв. Пример реализации в TensorFlow:

from tensorflow.keras.layers import Input‚ Conv1D‚ Add‚ Activation
from tensorflow.keras.models import Model

def residual_block(x‚ dilation_rate‚ filters=32‚ kernel_size=2):
 tanh_out = Conv1D(filters‚ kernel_size‚
 dilation_rate=dilation_rate‚
 padding='causal'‚
 activation='tanh')(x)
 sigm_out = Conv1D(filters‚ kernel_size‚
 dilation_rate=dilation_rate‚
 padding='causal'‚
 activation='sigmoid')(x)
 z = tanh_out * sigm_out
 skip = Conv1D(1‚ 1)(z)
 res = Add([skip‚ x])
 return res‚ skip

inputs = Input(shape=(None‚ 1))
x = inputs
skip_connections = []

for i in range(8):
 x‚ skip = residual_block(x‚ dilation_rate=2**i)
 skip_connections.append(skip)

out = Add(skip_connections)
out = Activation('relu')(out)
out = Conv1D(1‚ 1)(out)

model = Model(inputs‚ out)
model.compile(optimizer='adam'‚ loss='mae')

Динамический нейрон‑фильтр (TDNN)

Вариант‚ где каждый нейрон имеет встроенный задержанный вход. Реализовать можно с помощью пользовательского слоя в Keras:

from tensorflow.keras.layers import Layer
import tensorflow as tf

class TDNNLayer(Layer):
 def __init__(self‚ units‚ delays=3‚ kwargs):
 super.__init__(kwargs)
 self.units = units
 self.delays = delays

 def build(self‚ input_shape):
 self.w = self.add_weight(shape=(self.delays‚ input_shape[-1]‚ self.units)‚
 initializer='glorot_uniform'‚
 trainable=True)
 self.b = self.add_weight(shape=(self.units‚)‚
 initializer='zeros'‚
 trainable=True)

 def call(self‚ inputs):
 # inputs: (batch‚ time‚ features)
 delayed = [tf.roll(inputs‚ shift=d‚ axis=1) for d in range(self.delays)]
 stacked = tf.stack(delayed‚ axis=2) # (batch‚ time‚ delays‚ features)
 out = tf.tensordot(stacked‚ self.w‚ axes=[[2‚3]‚[0‚1]]) + self.b
 return tf.nn.tanh(out)

inp = Input(shape=(None‚ 1))
x = TDNNLayer(32‚ delays=5)(inp)
x = tf.keras.layers.Dense(1)(x)
model = Model(inp‚ x)
model.compile(optimizer='adam'‚ loss='mse')

Метрики оценки качества прогноза

MAE (Mean Absolute Error) — средняя абсолютная ошибка.
RMSE (Root Mean Squared Error) — корень из средней квадратичной ошибки‚ чувствителен к большим отклонениям.
MAPE (Mean Absolute Percentage Error) — процентная ошибка‚ удобна для сравнения разных рядов.
SMAPE (Symmetric MAPE), симметричная версия MAPE‚ менее чувствительна к нулевым значениям.
R² (коэффициент детерминации) — показывает долю объяснённой дисперсии.

Для финансовых данных часто используют тестовую схему «rolling‑origin»‚ когда модель переобучается каждый раз на новых данных‚ имитируя работу в реальном времени.

Практический пример: прогноз курса USD/RUB

Собрать исторические данные (например‚ через yfinance).
Преобразовать в дневные закрытия‚ выполнить предобработку (удалить пропуски‚ масштабировать).
Сформировать окна длиной 30 дней и обучить LSTM‑модель (см. пункт 4.1).
Оценить модель на отложенной выборке (2022‑2023 годы) с помощью MAE и RMSE.
Внедрить модель в продакшн: каждый день получать новые цены‚ обновлять окно‚ выдавать прогноз на 1‑7 дней вперёд.

В результате‚ при правильной настройке гиперпараметров (число нейронов‚ размер окна‚ размер батча) можно достичь MAE ≈ 0.015 (по отношению к нормализованному ряду) и RMSE ≈ 0.022‚ что сопоставимо с лучшими статистическими моделями‚ но при этом модель сохраняет гибкость к изменяющимся рыночным условиям.