arXiv · 26.07.2026 ·Машинное обучение

Прогнозирование рыночной волатильности в условиях дефицита данных

Исследователи представили метод прогнозирования экстремальной рыночной волатильности, решающий проблему нехватки размеченных данных. В условиях, когда значимые финансовые события редки, авторы применили иерархическую модель слияния текстовых сигналов и рыночных данных. Подход позволяет повысить стабильность обучения моделей при крайне ограниченном количестве положительных примеров, что критически важно для эффективного управления финансовыми рисками и автоматизированного анализа рыночных шоков.

Традиционные методы обучения с учителем часто показывают низкую надежность в финансовой сфере из-за нестационарности данных и малого числа аномальных событий. В данном исследовании на примере индекса CSI 300 было зафиксировано всего около 80 целевых событий за почти 800 дней наблюдений. Предложенная архитектура использует иерархическую структуру для интеграции разнородных источников информации, что позволяет модели лучше улавливать скрытые зависимости перед наступлением волатильности.

Метод фокусируется на извлечении признаков из экзогенных информационных шоков, которые часто предшествуют резким изменениям цен. Использование компактных моделей с параметризацией около 100 тысяч параметров снижает риск переобучения на малых выборках, обеспечивая при этом высокую интерпретируемость и скорость обработки сигналов. Это открывает возможности для внедрения более точных систем раннего предупреждения в торговые алгоритмы и риск-менеджмент.

Ключевые факты

Исследование сфокусировано на прогнозировании экстремальной волатильности индекса CSI 300.
В обучающей выборке объемом 791 день было выявлено лишь около 80 положительных примеров аномалий.
Разработанная иерархическая модель слияния данных использует архитектуру с параметризацией около 100 тысяч параметров.
Метод направлен на повышение стабильности моделей в условиях дефицита размеченных данных и высокой рыночной нестационарности.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Исследование: почему спектральный анализ не гарантирует эффективность прогнозирования временных рядов Исследователи проанализировали ограничения существующих метрик предсказуемости временных рядов, основанных на спектральном анализе. Авторы доказали, что показатели спектральной сложности не позволяют однозначно определить, принесет ли пользу использование дополнительного контекста, расширение окна ретроспективного анализа или внедрение предобученных моделей. Эффективность этих методов зависит от конкретной рабочей точки системы, а не только от характеристик самого временного ряда. arXiv · Машинное обучение Анализ рыночных настроений через синтез блокчейн-данных и соцсетей Исследователи представили модель классификации рыночных настроений, объединяющую ончейн-активность биткоина с данными из социальных сетей. В отличие от классических методов прогнозирования цен, новый подход фокусируется на интерпретации эмоционального фона рынка. Интеграция транзакционных данных блокчейна и текстового анализа позволяет точнее определять фазы рыночного цикла и поведенческие паттерны инвесторов в цифровые активы. arXiv · Машинное обучение Метод Diachronic Sample Integration для оценки хвостовых рисков в генеративных моделях Исследователи представили метод Diachronic Sample Integration (DSI), решающий проблему неточности генеративных моделей при оценке редких, но критических событий. В отличие от стандартных подходов, фокусирующихся на типичных данных, DSI позволяет более точно моделировать «тяжелые хвосты» распределений, что критически важно для финансового моделирования и принятия решений в условиях высокой неопределенности и дефицита исторических данных. Hacker News · Исследования и наука Эффективность ИИ в прогнозировании фондового рынка: результаты нового исследования Новое исследование ставит под сомнение способность нейросетей предсказывать краткосрочные движения фондового рынка. Анализ показал, что, несмотря на способность моделей обрабатывать огромные массивы финансовых новостей, их прогнозы не обеспечивают стабильного преимущества перед рыночными индексами. ИИ часто не учитывает непредсказуемые макроэкономические факторы и рыночный шум, что ограничивает его эффективность как инструмента для тайминга сделок. NVIDIA Technical Blog · Машинное обучение Оценка вероятности редких событий с помощью управляемых генеративных моделей Исследователи NVIDIA представили метод оценки вероятности экстремальных, но маловероятных событий, используя управляемые генеративные модели. Традиционные методы симуляции часто не справляются с редкими сценариями в финансах, инженерии и науке. Новый подход позволяет направлять генерацию данных в области «хвостов» распределения, что значительно повышает точность прогнозирования рисков без необходимости проведения миллиардов вычислительно затратных симуляций. Hacker News · Прогнозы и тренды Анализ 4523 прогнозов: почему эксперты расходятся в оценках будущего ИИ Исследование 4523 прогнозов от экспертов и аналитических платформ выявило значительный разброс мнений относительно темпов развития ИИ. Анализ показал, что ключевые разногласия касаются сроков достижения AGI и влияния технологий на рынок труда. Исследователи подчеркивают, что высокая степень неопределенности обусловлена отсутствием единой методологии оценки прогресса моделей и различиями в интерпретации текущих технологических барьеров. arXiv · Исследования и наука Новая архитектура SUSA для прогнозирования волатильности финансовых рынков Исследователи представили архитектуру Susceptible Architectures (SUSA) — новый подход к проектированию резервуарных нейронных сетей, специально адаптированный для прогнозирования волатильности. Метод решает проблему высокой зашумленности финансовых данных, используя комплексные открытые и периодические резервуары в сочетании с экспертными моделями, обученными на конкретных рыночных режимах, что позволяет точнее улавливать нелинейные зависимости в динамике активов. arXiv · Машинное обучение Конформное предсказание для принятия контрфактических решений Исследователи представили новый подход к квантификации неопределенности в задачах принятия решений, основанный на конформном предсказании. Метод позволяет формировать наборы предсказаний с гарантированным покрытием для контрфактических сценариев. Это решает проблему разрыва между статистической валидностью моделей и их практической применимостью при выборе стратегий в медицине, экономике и государственном управлении, где цена ошибки критически высока. Hacker News · ИИ в бизнесе Применение машинного обучения в высокочастотной торговле Компания Hudson River Trading (HRT) раскрыла подходы к внедрению методов машинного обучения в алгоритмическую торговлю. Основной фокус сделан на преодолении проблем переобучения моделей, работе с зашумленными финансовыми данными и обеспечении низкой задержки при исполнении сделок. Статья описывает переход от классических статистических моделей к сложным нейросетевым архитектурам в условиях высококонкурентного рынка. arXiv · ИИ в бизнесе Новый фреймворк для прогнозирования невыходов сотрудников на работу Исследователи представили специализированный фреймворк для классификации временных рядов, предназначенный для прогнозирования индивидуальных прогулов сотрудников в условиях критического дисбаланса классов. Решение позволяет компаниям в секторах с высокой нагрузкой, таких как здравоохранение, логистика и строительство, оптимизировать планирование смен и снизить операционные издержки, связанные с внезапным отсутствием персонала на рабочих местах.

← Все материалы