Анализ и прогнозирование многомерных временных рядов используя нейронные сети

Темой данной выпускной квалификационной работы является анализ и прогнозирование многомерных временных рядов с помощью нейронных сетей. Проводится данное исследование будет на данных мировых котировок валют. Временной ряд – это собранный в разные моменты времени статический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса. Временной ряд имеет две обязательные компоненты – отметку времени и значение показателя ряда. В текущей работе будут рассматриваться многомерные временные ряды, то есть будет использовано несколько равнозначных признаков (значения валют в момент времени) и дополнительные (день недели и месяц). Задача прогнозирования временного ряда, заключается в исследовании перспектив рассматриваемого процесса с помощью набора научных методов, с целью получения наиболее точного предсказания его будущих значений. Соответственно предметом данного исследования является набор моделей прогнозирования временных рядов, а объектом точность данных методов. Данная задача актуальна, потому что точные предсказания на рынке всегда востребованы, ведь на них можно заработать, а так как сейчас такое доступно каждому на различных торговых площадках и на этом можно заработать, это, действительно, актуально. Существует большое множество различных методов прогнозирования временных рядов, например, с помощью классических эконометрических и статистических методов, так и с использованием искусственного интеллекта, машинного и глубокого обучения. В прогнозировании временных рядов предполагается, что полученные данные из прошлого, могут помочь объяснить будущие значения рассматриваемого процесса. Однако следует понимать, что во многих случаях имеют место детали, не отражённые в накопленных данных. К примеру, может появиться новый показатель, который будет влиять на будущие значения. В таких случаях. В таких случаях осуществлять прогнозирование временного ряда единственным методом может быть не самым оптимальным решением. Поэтому зачастую используется набор таких методов, для получения наиболее точного прогноза. В данной работе прогнозирование и анализ временного ряда будет проводиться с глубокого обучения, то есть с помощью нейронных сетей. Будут рассмотрены различные архитектуры и слои: простейший перцептрон, рекуррентные, свёрточные. Также будет сравнение их с классическими методами, такими как, например, сезонная интегрированная модель авторегрессии, векторная регрессия, экспоненциальная сглаживания. В результате будет сделано их сравнение, чтобы определить, насколько глубокое обучение их лучше или наоборот хуже.