Прогнозирование финансовых временных рядов на основе сетей глубокого обучения

Прогнозирование финансовых временных рядов на основе прошлых наблюдений является предметом значительного интереса среди ученых, предпринимателей, экономистов, финансистов, инвесторов и трейдеров. Эта задача сложна тем, что для получения точного прогноза необходимо не только обладать большим количеством информации, но и суметь правильно ее интерпретировать, что часто является невозможным. Одним из способов прогнозирования временных рядов является их моделирование на основе прошлых значений с последующей экстраполяцией. В научной литературе описано множество способов моделирования временных рядов, некоторые из них основаны на сетях глубокого обучения. Существует несколько архитектур сетей глубокого обучения, которые могут применяться в задаче прогнозирования временных рядов: многослойный перцептрон, сверточные нейронные сети, рекуррентные нейронные сети. Целью данной работы является сравнение эффективности этих архитектур в задаче прогнозирования финансовых временных рядов.