Применение моделей машинного обучения для многомерного среднесрочного прогнозирования стоимости акций

Управление большими системами: сборник трудов. 2025. № 118. С. 250–285.

Сизых Н. В., Кудрявцева Н. С.

Многочисленные исследования в области прогнозирования котировок ценных бумаг, в частности акций, направлены на поиск более точных и эффективных моделей. Однако внимание к многомерному прогнозированию, которое позволяет получить более точный прогноз, остается недооцененным, поскольку для его реализации требуется значительное увеличение вычислительных ресурсов. Поэтому актуальным является подбор более упрощенных, но эффективных моделей, с помощью которых можно получать хорошие результаты при меньших вычислительных затратах, доступном наборе однозначно оцениваемых данных и упрощенной настройке, сохраняя при этом достаточную точность для практического использования. Результаты исследования, приведенные в данной статье, направлены на решение данной проблемы. Авторами подобраны, сформированы и апробированы методики моделей много-мерного прогнозирования стоимости акций на основе методов машинного обучения и современных нейросетевых архитектур. Проведен сравнительный анализ результатов среднесрочного прогноза стоимости акций (30 дней) с помощью моделей многомерного прогнозирования. Апробация проведена на примере акций, входящих в индекс S&P 500. В процессе исследования подобраны дополнительные массивы данных, которые способствуют повышению точности прогноза и доступны в открытых источниках.

Ключевые слова: фондовый рынок, модели прогнозирования, стоимость акций, stock price, stock market, методы машинного обучения, Machine learning methods, forecasting models, multivariate multistage forecasting, многомерное многоэтапное прогнозирование