Финансовое прогнозирование при помощи нейросетей

Abstract

В статье исследуется применение нейросетевых моделей (RNN, LSTM, GRU, CNN, трансформеры) для прогнозирования финансовых рынков. Рассмотрены их преимущества перед традиционными методами (ARIMA), включая способность анализировать временные зависимости и визуальные паттерны. Особое внимание уделено гибридным архитектурам (CNN-LSTM), сочетающим анализ графиков цен и временных рядов. Обсуждаются ключевые вызовы: вычислительная сложность, переобучение и обработка неструктурированных данных (новости, соцсети). Результаты подтверждают перспективность нейросетей для алгоритмического трейдинга.