Разработка многоуровневой системы для прогнозирования стоимости акций компаний в условиях высоковолатильного рынка России

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.

1. Kingma D. P., Ba J. L. Adam: A Method for Stochastic Optimization // Proceedings of the 3rd International Conference for Learning Representations (ICLR). URL: https://arxiv.org/abs/1412.6980 (дата обращения: 17.12.2025).

2. Time Series Analysis: Forecasting and Control / G. E. P. Box, G. M. Jenkins, G. C. Reinsel, G. M. Ljung. 5th ed. Hoboken: John Wiley & Sons, 2015. 712 p.

3. Fama E. F., French K. R. A Five-Factor Asset Pricing Model // Journal of Financial Economics. 2015. Vol. 116, N 1. P. 1–22.

4. Hinton G. E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R. Improving Neural Networks by Preventing Co-adaptation of Feature Detectors // Neural and Evolutionary Computing. URL: https://arxiv.org/abs/1207.0580v1 (дата обращения: 17.12.2025).

5. Белоусов А. В. Методы анализа временных рядов в экономике. М.: Финансы и статистика, 2018. 312 с.

6. Шамраева В. В. Математические методы прогнозирования изменения цены акций и их реализация методами машинного обучения // Фундаментальные исследования. 2024. № 11. С. 88‒96.

7. Васильев А., Смирнов И. Применение машинного обучения для прогнозирования фондового рынка России // Computational Economics and Finance Journal. 2023. Т. 5, № 2. С. 34–45.

8. Huber P. J. Robust Estimation of a Location Parameter // The Annals of Mathematical Statistics. 1964. Vol. 35, N 1. P. 73–101.

9. Сентимент частных инвесторов и его влияние на доходность российских акций / Т. В. Теплова, Т. В. Соколова, А. Ф. Томтосов [и др.] // Журнал Новой экономической ассоциации. 2022. № 1 (53). С. 53–84.

10. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, N 8. P. 1735–1780.

11. Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation / K. Cho, B. van Merriënboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, Y. Bengio // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). Doha, 2014. P. 1724–1734.

12. Пятибратов Д. В., Логинов А. В., Болотов Т. А. Сравнительный анализ алгоритмов машинного обучения в задачах исследования фондового рынка // Вестник науки. 2025. Т. 3, вып. 10 (91). С. 644-650.

13. Глебова А. Г., Ковалева А. А. Прогнозирование волатильности российского биржевого рынка акций в условиях международных санкций // Финансы: теория и практика. 2024. № 1. С. 20–29.

14. Tetlock P. C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market // The Journal of Finance. 2007. Vol. 62, N 3. P. 1139–1168.

15. Damodaran A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. 3rd ed. Hoboken: John Wiley & Sons, 2012. 992 p.

16. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury [et al.] // Machine Learning. URL: https://arxiv.org/abs/1207.0580v1 (дата обращения: 17.12.2025).

17. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion [et al.] // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.

18. Минкин В. А., Кулешов Д. А. Применение методов машинного обучения для прогнозирования фондового рынка // Вестник Финансового университета. 2022. № 3. С. 55–66.

19. Першина А. А., Арутюнян А. Г., Косников С. Н. Применение нейросетей в прогнозировании экономических тенденций // Региональная и отраслевая экономика. 2023. № 5. С. 164‒171. https://doi.org/10.47576/2949-1916_2023_5_164