Графовая нейросеть с биуровневой хаотической фузией улучшила прогнозы фондового рынка
Традиционные модели машинного обучения для прогнозирования фондового рынка обычно предсказывают лишь точечные значения, не учитывая неопределенность. Это создает риски для принятия решений, так как не показывает возможный диапазон изменений. Решением могут стать прогнозные интервалы, которые задают верхнюю и нижнюю границы ожидаемой цены.
В новой работе на arXiv исследователи предложили пространственно-временной графовый подход с биуровневой хаотической фузией для построения таких интервалов. Модель использует отдельные нелинейные функции преобразования для оценки центра и ширины интервала, а также механизм гейтов, учитывающий режим волатильности рынка.
Временные зависимости учитываются путем встраивания графовых структур и последовательного моделирования. Обучение проводится по методу Lower-Upper Bound Estimation (LUBE), который оптимизирует одновременно калибровку и резкость интервалов.
Эксперименты проводились на данных Национальной фондовой биржи Индии (NSE) за период с 2016 по 2026 год по 43 ведущим компаниям из восьми секторов. Предложенный метод сравнивался с LSTM, GRU, GCN и HGNN.
Результаты показали значительное превосходство: самый низкий показатель Винклера (0,0778), самые узкие прогнозные интервалы (PIAW = 0,1407) и наивысшее покрытие (PICP = 96,6%). Все различия статистически значимы при p < 0,001 по тесту Диболда-Мариано.
Этот подход позволяет трейдерам и аналитикам лучше оценивать риски, получая не просто прогноз цены, а доверительный интервал с известной вероятностью покрытия. Дальнейшие исследования могут расширить применение на другие рынки и активы.
