Применение алгоритмов глубокого обучения для предсказания цен на активы

Большинство работ по анализу временных рядов основаны на использовании детерминированных линейных моделей. В данной статье рассматривается возможность эффективного применения современных методов машинного обучения при анализе финансовых временных рядов, и сравниваются их результаты с линейными моделями. В работе реализуется алгоритм, который прогнозирует изменение цены актива на основе переменных временного ряда и нелинейных методов глубокого обучения. Модели глубокого обучения, среди которых классические и рекуррентные нейронные сети, служат алгоритмом прогнозирования. Предметом моделирования являются данные о ценах акций российского и американского рынков ценных бумаг, а также основные инструменты рынка криптовалют. Эта проблема является задачей регрессии, и показателем в ней является мера отклонения от истинных значений. Несмотря на низкий коэффициент детерминации, отдельные модели глубокого обучения показываются предиктивную способность, значимо превышающую результаты линейных алгоритмов и отличную от случайной, на основе чего можно сделать вывод о большом потенциале глубокого обучения при анализе временных рядов.