Нейросеть научили предсказывать кризисы на фондовом рынке России

© iStock

Экономисты из ВШЭ разработали нейросетевую модель, способную за сутки до события с точностью более 83% предупредить о приближении краткосрочного фондового кризиса. Модель работает даже на сложных, несбалансированных данных и учитывает не только экономические показатели, но и настроение инвесторов. Работа сотрудников Центра финансовых исследований и анализа данных ФЭН ВШЭ Тамары Тепловой, Максима Файзулина и Алексея Куркина опубликована в журнале Socio-Economic Planning Sciences.

Как предсказать шторм на фондовом рынке? Знать ответ на этот вопрос хотят финансовые аналитики и инвесторы по всему миру. Работа сотрудников Центра финансовых исследований и анализа данных ФЭН ВШЭ Тамары Тепловой, Максима Файзулина и Алексея Куркина предлагает оригинальный подход к прогнозированию краткосрочных кризисов на отечественном рынке акций. Созданная ими гибридная модель глубокого обучения, сочетающая три архитектуры: Temporal Convolutional Network (TCN), Long Short-Term Memory (LSTM) и Attention (механизм внимания инвесторов), — это первая попытка применить столь сложную структуру к российским биржевым данным.

Авторы проанализировали данные с 2014 по 2024 год, включающие рыночные и макроэкономические показатели (в первую очередь индекс Мосбиржи IMOEX), а также индикаторы настроений инвесторов. Чтобы спрогнозировать вероятность наступления кризиса на ближайшие 1–5 торговых дней, ученым пришлось решить несколько методологических проблем. Во-первых, кризисы на рынке происходят редко (до четверти всех событий), что делает обучающую выборку несбалансированной: есть риск, что модель научится игнорировать редкие сигналы. Во-вторых, поведение инвесторов подчиняется не только объективным экономическим факторам, но и субъективным настроениям, которые трудно формализовать. В ответ на это исследователи разработали составные индексы внутреннего и внешнего инвестиционного настроения, используя метод главных компонент. Эти индексы дополняют традиционные макроэкономические и рыночные переменные, позволяя уловить скрытые эмоциональные сигналы участников торгов на более дальних временных горизонтах прогнозирования.

Тамара Теплова

«Мы представили гибридную модель TCN — LSTM — Attention, сочетающую методы глубинного обучения и механизм внимания. Модель эффективно обрабатывает неравномерные данные и достигает точности 78,70% при прогнозе кризисных событий в день наблюдения и 78,85% на следующий торговый день. Использование месячной повторной тренировки и адаптивных временных окон позволило довести точность до 83,87%. Ключевыми факторами, влияющими на предсказания, оказались биржевые индикаторы (аналог технического анализа), капитализация компаний — эмитентов акций и рыночные курсы валют», — сообщила профессор факультета экономических наук ВШЭ Тамара Теплова.

Разработанная система может стать важным инструментом в арсенале инвесторов, финансовых аналитиков и регуляторов. Она позволяет не просто ретроспективно анализировать кризисные периоды, но заранее и с высокой достоверностью выявлять угрозы на горизонте 1–2 дней. В сочетании с регулярной адаптацией к новым данным такая система может лечь в основу динамической архитектуры мониторинга рисков, адаптированной под специфику российского рынка.

«Работа имеет высокую практическую значимость для национального финансового сектора: она предлагает действенные инструменты для своевременного выявления рыночных потрясений, что особенно актуально для нестабильной макроэкономической среды», — подчеркивает Тамара Теплова.

Исследование выполнено при поддержке Программы фундаментальных исследований НИУ ВШЭ в рамках проекта «Центры превосходства».