Положенцев Алексей Анатольевич, магистрант кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexey A. Polozhentsev, Undergraduate at the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Малышев Александр Васильевич, кандидат технических наук, доцент кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexander V. Malyshev, Candidate of Sciences (Engineering), Associate Professor at the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Брежнев Алексей Викторович, кандидат технических наук, доцент
Стремянный пер., д. 36, г. Москва 115054
Alexey V. Brezhnev, Candidate of Sciences (Engineering), Associate Professor
36 Stremyanny side-street, Moscow 115054
Цель исследования ‒ разработка гибридной модели прогнозирования стоимости акций на Московской бирже, учитывающая специфику русскоязычных новостей и интеграцию сигналов временных рядов с семантическим анализом текстов. Модель направлена на повышение точности предсказаний в условиях высокой волатильности российского финансового рынка и структурных изменений после 2022 года.
Методы. Разработана трёхуровневая модель предсказания стоимости акций. На каждом уровнем предусмотрен выбор инструмента с учётом горизонта прогнозирования. Краткосрочный уровень основан на реализации рекуррентной сети GRU, показывающий высокую эффективность в период низкой волатильности. Среднечастотный уровень использует регрессионную модель с функцией потерь Хьюбера и модифицированные метрики тональности CIS для перевода новостного влияния в денежный эквивалент. Это позволяет совместить краткосрочные и фундаментальные индикаторы, повышает адаптивность модели в периоды высокой волатильности. Редкочастотный уровень объединяет статистическую модель ARIMAX, нейросетевую LSTM, а также индикаторы среднечастотного уровня для оценки долгосрочных тенденций и коррекции ошибок нижних уровней. Интеграция уровней реализована через механизм динамического перераспределения весов и межуровневую коррекцию доверительных коэффициентов.
Результаты. Разработана многоуровневая система для прогнозирования фондового рынка, реализующего гибридную архитектуру, объединяющую анализ временных рядов, фундаментальных показателей и новостного контекста с использованием языка программирования Python. Проведенная симуляция показала устойчивую точность прогнозов: в условиях рыночной турбулентности уровни L2 и L3 демонстрируют среднюю абсолютную ошибку не более 0,5 руб., что существенно ниже показателей технического уровня L1. Динамический механизм перераспределения весов между уровнями обеспечил адаптацию модели к резким изменениям рыночной конъюнктуры.
Заключение. Предложенная модель позволяет учитывать специфику российского рынка и снижает влияние рыночных шоков. Система пригодна для применения в инвестиционной аналитике и автоматизированных торговых решениях, открывая перспективы для дальнейшей адаптации под другие развивающиеся рынки.
The purpose of the research is to develop and formalize a hybrid model for forecasting stock prices on the Moscow Exchange, which takes into account the specifics of linguistic analysis of Russian-language news and the integration of time series signals with semantic text analysis. The model is aimed at improving prediction accuracy in the conditions of high volatility of the Russian financial market and structural changes after 2022.
Methods. A three-level model for stock price prediction has been developed. Each level implies the use of a more suitable tool considering the forecasting horizon. Thus, the short-term level is based on a GRU recurrent network and uses a sliding window, which shows high efficiency during periods of low volatility. The medium-frequency level uses a regression model with a Huber loss function and modified CIS tone metrics to translate news influence into a monetary equivalent, which allows combining short-term and fundamental indicators; the use of the latter increases the model's adaptability during periods of high volatility. The low-frequency level combines the ARIMAX statistical model, the LSTM neural network, as well as medium-frequency level indicators to assess long-term trends and correct errors of the lower levels. The integration of the levels is implemented through a mechanism of dynamic weight redistribution and inter-level adjustment of confidence coefficients.
Results. A software complex for stock market forecasting was developed based on the Python programming language, implementing a hybrid architecture that integrates time series analysis, fundamental indicators, and news context. The simulation demonstrated sustained forecasting accuracy: under market turbulence conditions, levels L2 and L3 showed a mean absolute error not exceeding 0.5 rubles, which is significantly lower than the metrics of the technical level L1. The dynamic weight redistribution mechanism between levels ensured the model's adaptation to sharp changes in market conditions.
Conclusion. The proposed hybrid forecasting architecture combines machine learning, NLP, and econometric methods, ensuring a balance between sensitivity to short-term changes and the robustness of long-term forecasts. The integration of news analysis, time series, and macroeconomic factors allows for considering the specifics of the Russian market and reduces the impact of market shocks. The system is suitable for use in investment analytics and automated trading solutions, opening prospects for further adaptation to other emerging markets
The authors declare that there are no conflicts of interest present.