АРХІТЕКТУРА СПЕЦІАЛІЗОВАНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ПРОГНОЗУВАННЯ ФІНАНСОВИХ ЧАСОВИХ РЯДІВ НА ОСНОВІ ПОСЛІДОВНОСТІ ПОЛІНОМІАЛЬНИХ ПРОГНОЗІВ

Анотація

У роботі розглянуто задачу прогнозування фінансових часових рядів в умовах обмеженого обсягу даних і високої чутливості біржової динаміки до локальних коливань. Запропоновано нейромережеву архітектуру PPS-Net (Polynomial Prediction Sequence Network), у якій послідовність поліноміальних прогнозів використовується як спеціалізований прогнозний шар. Для кожного ковзного вікна часового ряду сформовано множину поліноміальних прогнозів порядків від нульового до дев’ятого та послідовність усереднених прогнозних значень, серед яких обирається підсумковий прогноз. Для зменшення впливу абсолютного рівня ціни на роботу селектора введено структурні ознаки, що характеризують відносні відхилення елементів послідовності від базового прогнозу. Матриця ваг селекторного шару визначалась за допомогою зваженого регуляризованого методу найменших квадратів. Зважування навчальних прикладів застосовано для компенсації дисбалансу класів, а параметр регуляризації обирався на валідаційній вибірці за мінімальним значенням середньої абсолютної відсоткової похибки MAPE. Для обмеження впливу аномальних прогнозних значень додано фільтр локальної допустимості, який замінює вибраний кандидат на базовий прогноз у разі надмірного відхилення від локального масштабу зміни ряду. Експериментальну перевірку виконано мовою Python на внутрішньоденних біржових даних акцій Netflix за тікером NFLX. Використано 780 значень параметра Close за останні 60 торгових днів із 30-хвилинним інтервалом. На основі ковзного вікна з 10 послідовних значень сформовано 770 прогнозних прикладів, з яких 577 використано для навчання, а 193 – для тестування. Виконано порівняння запропонованого підходу з Δ-методом і кластеризаційним методом DBSCAN PPS. Порівняно з Δ-методом запропонований підхід забезпечив зменшення усередненої вдносної похибки (MAPE) на 18,47%, а з DBSCAN – 46,40%. На останньому тестовому дні метод PPS-Net зменшив MAPE – на 11,95% порівняно з Δ-методом, відповідно, для DBSCAN зменшення MAPE становить 49,46%. Наукова новизна полягає в інтеграції послідовності поліноміальних прогнозів у нейромережеву селекторну архітектуру, використанні структурних ознак PPS і регуляризованого знаходження ваг для адаптивного вибору підсумкового прогнозу. Практична значущість результатів полягає у підвищенні точності прогнозування внутрішньоденних фінансових часових рядів за умов малої вибірки.