СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ФОНДОВОГО РЫНКА НА ОСНОВЕ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ

Abstract

Предмет исследования. Сравнительный анализ эффективности классических статистических моделей и алгоритмов машинного обучения при прогнозировании временных рядов финансовых активов.

Цель работы. Выявить наиболее точные и вычислительно эффективные модели для краткосрочного прогнозирования на фондовом рынке.

Методология. Тестирование эконометрических моделей (ARIMA, GARCH) и нейросетевых архитектур (LSTM, GRU) выполнено на дневных котировках индекса S&P 500 за 3.01.2018–29.12.2023 гг. (1509 наблюдений); сопоставление моделей выполнялось по показателям RMSE, MAE, MAPE и R².

Результаты. GRU превосходит LSTM по точности (RMSE 23,19 против 27,58; R² 0,971 против 0,958) и по вычислительной эффективности (на 24,6% меньше параметров, на 71,7% меньше эпох обучения). Модель ARIMA-GARCH (RMSE 44,36; R² 0,914) остаётся конкурентоспособной для низковолатильных активов. Точность прогнозирования направления движения цены у обеих нейросетей не превысила 53%.

Область применения. Разработка торговых стратегий, систем поддержки решений для финансовых аналитиков и дальнейшие исследования в области финансового прогнозирования.

Ключевые слова: машинное обучение, прогнозирование фондового рынка, модели временных рядов, ARIMA, GARCH, LSTM, GRU, S&P 500, сравнительный анализ.