Финансовые рынки остаются одной из самых сложных задач для искусственного интеллекта: цены меняются резко, данные зашумлены, а тренды то появляются, то внезапно ломаются. Учёные предложили гибридную модель, которая заметно лучше справляется с этой неопределённостью. Новая система CLSTM-HN сочетает две популярные архитектуры глубокого обучения и показывает на 15–20% меньшую ошибку прогноза по сравнению с обычными LSTM-моделями. Точность предсказания направления движения цены (вверх или вниз) выросла на 10–14%.
Как устроена модель CLSTM-HN
В основе — комбинация свёрточной нейронной сети (CNN) и долгой краткосрочной памяти (LSTM). CNN отлично находит локальные паттерны в данных — например, короткие всплески волатильности или характерные формы свечей. LSTM, в свою очередь, хорошо запоминает информацию на протяжении длинных последовательностей и улавливает более глобальные тренды.
Проблема в том, что эти две архитектуры «говорят на разных языках». Исследователи добавили специальный механизм адаптивного выравнивания, который преобразует выходы CNN в формат, удобный для LSTM. Кроме того, при обучении модель одновременно оптимизируется по двум критериям: точности численного прогноза цены и правильности предсказания направления движения. Это помогает ей лучше балансировать между краткосрочными колебаниями и долгосрочными тенденциями.
Что показали тесты
Модель протестировали на открытых данных по основным фондовым индексам и криптовалютам. Во всех случаях CLSTM-HN превзошла классические LSTM-модели. Снижение ошибки прогнозирования на 15–20 % — это существенный результат для финансового рынка, где даже небольшие улучшения точности могут давать заметное преимущество.
Особенно важно, что модель лучше определяет, вырастет ли цена или упадёт. Такая направленная точность критически важна для трейдеров и алгоритмических систем, которые принимают решения о покупке или продаже.
Почему это важно
Традиционные статистические методы часто опираются на предположения о поведении рынка, которые рушатся во время кризисов или резких структурных сдвигов. Гибридные нейросетевые модели, способные одновременно видеть и мелкие детали, и общую картину, оказываются более устойчивыми.
Работа опубликована в журнале International Journal of Reasoning-based Intelligent Systems. Авторы — Мин Ван (Min Wang) и коллеги. Хотя модель пока находится на стадии научного исследования, подобные гибридные подходы уже активно внедряются в реальные торговые системы крупных фондов и криптобирж.
В будущем такие архитектуры могут стать основой для более надёжных алгоритмических стратегий, систем управления рисками и даже для раннего обнаружения аномалий на рынке.
