Взгляд заново: Фундаментальные модели временных рядов в финансах

Автор: Денис Аветисян

Новое исследование показывает, что универсальные модели временных рядов изначально уступают традиционным финансовым моделям прогнозирования, однако их эффективность резко возрастает при предварительной адаптации к финансовым данным.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Наблюдается, что тонкая настройка трансформеров состояний (TSFM) позволяет формировать кумулятивные лог-доходы, демонстрируя эффективность стратегий длинных и коротких позиций в управлении портфелем.

Оценка перспектив и адаптации фундаментальных моделей временных рядов для прогнозирования доходности активов и задач финансового прогнозирования.

Несмотря на значительные успехи в прогнозировании финансовых временных рядов, задача остается сложной из-за шума, нестационарности и разнородности данных. В работе ‘Re(Visiting) Time Series Foundation Models in Finance’ проведено комплексное эмпирическое исследование моделей-оснований для временных рядов (TSFM) на глобальных финансовых рынках. Полученные результаты показывают, что предварительно обученные TSFM, адаптированные к финансовым данным, демонстрируют существенное улучшение точности прогнозирования, в то время как готовые модели показывают неудовлетворительные результаты. Подтверждает ли это необходимость домен-специфичного обучения моделей для эффективного использования TSFM в финансовой сфере?

Пределы Традиционного Прогнозирования

Точное прогнозирование финансовых временных рядов имеет первостепенное значение для эффективного управления рисками и разработки успешных инвестиционных стратегий, однако эта задача по-прежнему представляет собой серьезную проблему для специалистов. Нестабильность рынков, обусловленная множеством факторов, от макроэкономических показателей до геополитических событий и даже психологией инвесторов, создает значительные трудности для построения надежных прогностических моделей. Несмотря на развитие вычислительных мощностей и появление сложных алгоритмов, предсказание будущих изменений цен на активы остается сложной задачей, требующей постоянного совершенствования методологий и учета постоянно меняющихся рыночных условий. От точности прогнозов напрямую зависит способность финансовых институтов и инвесторов принимать обоснованные решения, минимизировать потери и максимизировать прибыль, что подчеркивает важность дальнейших исследований в этой области.

Классические эконометрические модели, такие как ARIMA и GARCH, несмотря на свою фундаментальную роль в анализе временных рядов, зачастую демонстрируют ограниченную способность к прогнозированию в условиях сложных и нелинейных финансовых рынков. Исследования показывают, что стандартные и готовые к использованию модели временных рядов (TSFMs), основанные на этих принципах, часто характеризуются низким коэффициентом детерминации $R^2$, значения которого варьируются от -1.37% до -0.47%. Это свидетельствует о том, что модели не способны адекватно описывать наблюдаемые данные и генерировать точные прогнозы, что обусловлено упрощающими предположениями и неспособностью учитывать сложные взаимосвязи, присущие финансовым активам.

Классические эконометрические модели, применяемые для прогнозирования финансовых временных рядов, зачастую опираются на строгие предположения о распределении данных, например, нормальность или стационарность. Однако, реальные финансовые данные регулярно отклоняются от этих идеализированных условий. На практике, финансовые рынки характеризуются «толстыми хвостами» (большей вероятностью экстремальных событий), асимметрией и изменчивостью волатильности, что делает эти предположения невалидными. В результате, модели, не учитывающие эти особенности, демонстрируют сниженную точность прогнозирования и могут приводить к значительным ошибкам в оценке рисков и принятии инвестиционных решений. Игнорирование ненормальности и нестационарности данных приводит к недооценке вероятности кризисных явлений и, как следствие, к неоптимальной эффективности стратегий управления капиталом.

Глобальные данные значительно повышают точность прогнозирования по сравнению с локальными бенчмарками.

Ансамблевое Обучение: Шаг Вперед в Прогнозировании

Ансамблевые модели на основе деревьев принятия решений представляют собой значительный прогресс в области прогнозирования, поскольку объединяют прогнозы множества отдельных деревьев для повышения точности и устойчивости. Вместо использования одного дерева, которое может быть подвержено переобучению или неспособно уловить сложные зависимости, ансамблевые методы строят множество деревьев, каждое из которых обучается на различных подмножествах данных или с использованием разных параметров. Объединение прогнозов этих деревьев, например, путем усреднения или взвешивания, позволяет снизить дисперсию и смещение, что приводит к более надежным и точным прогнозам, особенно в случаях с нелинейными и сложными данными.

Алгоритмы XGBoost, LightGBM и CatBoost представляют собой оптимизированные реализации ансамблевых методов на основе деревьев решений, предназначенные для работы с большими объемами данных и выявления сложных зависимостей. В частности, CatBoost, при использовании 252-дневного окна, продемонстрировал коэффициент Шарпа (Sharpe Ratio) в 6.79 и годовую доходность в 46.50%, что свидетельствует о его эффективности в задачах прогнозирования и управления рисками. Эти алгоритмы включают в себя механизмы регуляризации, параллелизации вычислений и эффективную обработку пропущенных значений, что позволяет им превосходить базовые модели деревьев решений по точности и скорости обучения.

Методы ансамблевого обучения, такие как XGBoost, LightGBM и CatBoost, демонстрируют высокую эффективность в моделировании финансовых данных благодаря способности улавливать нелинейные зависимости и взаимодействия между признаками. Традиционные линейные модели часто неспособны адекватно описать сложные взаимосвязи, присутствующие в финансовых временных рядах. В отличие от них, ансамбли деревьев строят множество моделей, каждая из которых может улавливать различные аспекты нелинейности, а затем агрегируют их прогнозы, что приводит к более точным и устойчивым результатам. Это позволяет им адаптироваться к меняющимся рыночным условиям и выявлять закономерности, которые могли бы остаться незамеченными другими методами прогнозирования.

Глобальная и глобально-дополненная тонкая настройка значительно улучшают точность прогнозирования.

За Гранью Прогнозирования: Психология Рынка

Традиционные финансовые модели часто основываются на предположении о рациональности участников рынка, однако эмпирические данные демонстрируют, что поведение инвесторов подвержено систематическим когнитивным искажениям. Эти искажения, известные как поведенческие предубеждения, включают в себя, например, склонность к подтверждению своей точки зрения, эффект привязки к начальным значениям и неприятие потерь. В результате, цены активов могут отклоняться от уровней, определяемых исключительно фундаментальными факторами, и формироваться под влиянием иррациональных импульсов, коллективных эмоций и психологических особенностей инвесторов. Игнорирование этих факторов может приводить к неточным прогнозам и ошибочным инвестиционным решениям.

Эффект импульса (momentum effect) и эффект разворота (reversal effect) являются примерами поведенческих искажений, влияющих на динамику финансовых активов. Эффект импульса проявляется в тенденции активов с высокой доходностью в прошлом продолжать демонстрировать положительные результаты в краткосрочной перспективе. В свою очередь, эффект разворота указывает на то, что активы, показавшие низкую доходность, имеют тенденцию к восстановлению в будущем. Оба эффекта противоречат модели эффективного рынка и указывают на то, что инвесторы не всегда действуют рационально, что приводит к отклонениям от фундаментальной стоимости и создает возможности для получения прибыли.

Интеграция принципов поведенческих финансов в прогностические модели позволяет улучшить их способность предсказывать рыночные тренды и аномалии, повышая как точность, так и интерпретируемость результатов. В частности, предварительно обученные Foundation Models для временных рядов (TSFM) продемонстрировали направленную точность в 51.74% при использовании масштабирования и аугментации данных, превзойдя показатель 51.16% для модели CatBoost. Это указывает на потенциал использования поведенческих факторов в сочетании с современными архитектурами машинного обучения для повышения эффективности прогнозирования на финансовых рынках.

Выбор гиперпараметров оказывает значительное влияние на точность прогнозирования.

Исследование показывает, что универсальные модели временных рядов изначально уступают традиционным подходам в финансовом прогнозировании. Однако, как и во многих инженерных задачах, адаптация к специфике предметной области — в данном случае, предварительное обучение на финансовых данных — кардинально меняет ситуацию. Это напоминает о неизбежном техническом долге: элегантная теория, не приспособленная к суровой реальности данных, обречена на переработку. Бертранд Рассел метко заметил: «Чем больше знаешь, тем больше понимаешь, как мало знаешь». Именно эта осознанность заставляет постоянно пересматривать подходы и искать компромиссы между теоретической чистотой и практической эффективностью, особенно в области, где каждая доля процента имеет значение.

Что дальше?

Представленные результаты, как это часто бывает, лишь аккуратно обрисовывают горизонт новых проблем. Утверждение о том, что «универсальные» модели временных рядов требуют дообучения на финансовых данных, звучит как констатация очевидного. Ещё один слой абстракции, обещающий упрощение, на деле требующий дополнительных усилий для преодоления разрыва между общими принципами и спецификой финансовых рынков. Иначе говоря, каждая «революционная» технология завтра станет техдолгом.

Очевидно, что истинная ценность заключается не в самой модели, а в данных, на которых она обучается. Следовательно, следующей итерацией неизбежно станет гонка за наиболее полным и «чистым» финансовым датасетом. На горизонте маячит перспектива ещё более сложных систем CI/CD, где храм автоматизированной сборки молится о том, чтобы случайно не сломать хрупкий баланс между переобучением и обобщением.

И, конечно, документация. Этот миф, созданный менеджерами, продолжит отставать от реального состояния кодовой базы. Потому что в конечном счёте, продюсер всегда найдёт способ сломать элегантную теорию. Вопрос не в том, чтобы построить идеальную модель, а в том, чтобы построить систему, способную адаптироваться к неизбежному хаосу.

Оригинал статьи: https://arxiv.org/pdf/2511.18578.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-11-25 12:22