Прогнозы на миллион: в ВШЭ нашли способ очистить биржевые данные от шума

Исследователи из НИУ ВШЭ нашли способ повысить точность прогнозов стоимости акций и криптовалют в 65% случаев. Для этого они применили вейвлет-преобразования, которые очищают рыночные данные от лишнего «шума». Ученые протестировали свыше 200 тысяч комбинаций моделей, выделив наиболее эффективные и менее требовательные к мощностям алгоритмы.

Финансовые рынки хаотичны из-за новостей, настроений инвесторов и случайных событий, которые накладываются друг на друга. Традиционные модели часто пасуют перед такой нестабильностью или требуют избыточных вычислительных ресурсов. Команда факультета компьютерных наук ВШЭ предложила использовать вейвлет-преобразования для фильтрации данных. В отличие от стандартных методов, этот подход раскладывает временной ряд на компоненты разной детализации, позволяя отсеять помехи конкретных частот. Эксперимент на 89 активах подтвердил: очистка данных помогает моделям лучше улавливать скрытые закономерности в 65% случаев.

Адаптивность против рыночного шума

Помимо фильтрации, авторы представили собственный алгоритм — метод тройной поправки. Его преимущество в адаптивности: параметры обновляются на каждом шаге, учитывая сразу несколько типов отклонений. В тестах на средних дневных ценах разработка заняла второе место в общем зачете, опередив сложные нейросети и классические эконометрические методы. При этом алгоритм оказался проще в настройке и эксплуатации. По словам соавтора исследования Вячеслава Маневича, метод стабильно выдает качественный результат даже при резком изменении рыночных условий, когда узкоспециализированные модели теряют эффективность.

Эффект от внедрения таких инструментов наиболее заметен при больших торговых оборотах, где даже минимальный прирост точности конвертируется в прибыль. Теперь ученые планируют автоматизировать выбор параметров фильтрации и адаптировать систему для долгосрочного планирования. В перспективе наработки можно будет использовать не только в трейдинге, но и в энергетике или медицине, где точность прогнозирования временных рядов критически важна для принятия решений.