Предсказывать непредсказуемое: нейросети изучают «рыночный шум»
Ученые Междисциплинарной научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект» повысили точность прогнозирования финансовых временных рядов в 1,3-1,7 раза по сравнению с базовой моделью.
Для этого они объединили нейронную сеть с методами нечеткой логики и проверили подход на котировках BTC–USD на трёх временных интервалах. Эта разработка может быть полезна при создании более устойчивых методов анализа рыночных данных. Научная статья, рассказывающая о достижении, была опубликована в серии Communications in Computer and Information Science.
Финансовые рынки – хаос, замаскированный под закономерности. Любая, даже самая продвинутая нейросеть, сталкивается с главной проблемой: рыночным шумом. Рыночный шум – это спорадические, краткосрочные колебания цен и случайные информационные сигналы, которые не отражают реальную стоимость актива и не связаны с объективным ценовым трендом. Московские ученые нашли способ обойти эту преграду. Они предложили гибридный подход, объединив классическую рекуррентную нейросеть LSTM с нечеткой логикой.
Математика против рыночного шума
Суть разработки заключается в модификации архитектуры LSTM. Нечеткая логика внедрена сразу на двух уровнях: при предварительной очистке данных и внутри самой сети, где функции активации интерпретируются как функции принадлежности нечетким множествам.
Простыми словами: стандартная нейросеть пытается найти жесткие математические паттерны, «ломаясь» на аномалиях и панических распродажах. Гибридная модель МГУ учитывает неопределенность, работая, скорее, как опытный аналитик, оперирующий категориями «вероятно» и «скорее всего».
Результаты тестов на исторических котировках BTC–USD впечатляют. Точность прогнозов выросла в 1,3 раза на минутных данных, в 1,7 раза на часовых и в 1,5 раза на дневных по сравнению с обычной LSTM. Обратная сторона медали – увеличение времени обучения модели из-за роста числа дополнительных параметров.
«Магический кристалл» для трейдера или научный прототип
Означает ли это, что скоро появится ИИ, гарантированно угадывающий курс биткоина? Спешим остудить пыл – это не так. Называть научный, теоретический, результат готовым финтех-продуктом преждевременно. Эксперимент проведен только на одном активе, а сравнение идет с базовой, а не с самой современной архитектурой.
Для рядовых граждан прямого эффекта пока нет. Однако в перспективе подобные алгоритмы могут лечь в основу банковских систем оценки рисков и корпоративной аналитики. Как показывает практика, в финансах критична не только сама модель, но и грамотный выбор признаков, метрик и полноценная проверка на тестовых данных.
Российский контекст: от новостей до AutoML
За последние годы российская наука и бизнес совершили мощный рывок в предиктивной аналитике. Вспомним ключевые вехи: в 2023 году ВШЭ и ВТБ создали модель, предсказывающую динамику стоимости акций по тональности новостей; в 2024-м нейросети доказали преимущество перед классической эконометрикой в прогнозе инфляции; а в 2025 году исследователи ВШЭ научили ИИ предвидеть кризисы на фондовом рынке, а Московская биржа запустила собственный AutoML-инструментарий MOEX_AutoML для бизнес-прогнозов. Гибрид от МГУ идеально дополняет эту экосистему, предлагая инструмент именно для работы с зашумленными данными, которые часто встречаются в российской и мировой биржевой практике.
Масштаб против точности
Мировая IT-индустрия в 2024–2025 годах пошла по пути гигантизма, то есть создания огромных универсальных моделей (как GPT для текста), которые обучаются на колоссальных объемах данных и пытаются решать сразу множество задач, вместо узкоспециализированных решений.
Amazon выпустила модель Chronos, а Google представила TimesFM 2.5 – фундаментальные модели, которые пытаются охватить все временные ряды мира, превращая числа в подобие языковых токенов. По аналогии с тем, как языковые модели (GPT, Gemini) обучаются на текстах, эти модели обучаются на миллионах разных временных последовательностях: от продаж товаров до биржевых котировок и показателей датчиков.
Российские ученые идут другим путем. Они не создают гигантскую универсальную модель, а улучшают существующую архитектуру LSTM (которая меньше и проще), добавляя нечеткую логику для работы с неопределенностью. Это «точечное» решение для конкретной проблемы (шум в финансовых данных), а не попытка охватить все временные ряды мира.
Экспортный потенциал и горизонты
Следующий шаг для ученых – выход за пределы криптовалют. Алгоритм необходимо валидировать на акциях, облигациях, нефти и макроэкономических показателях. В идеале гибридную модель стоит использовать не как единственного «предсказателя», а как часть системы, которая комбинирует несколько алгоритмов.
Если технология пройдет проверку и будет упакована в программное API, у нее открываются интересные экспортные перспективы. По данным 2025 года, российский финтех уверенно наращивает присутствие на рынках СНГ, Ближнего Востока и стран Глобального Юга. Гибридная нейросеть, устойчивая к турбулентности развивающихся рынков, может стать востребованным продуктом для зарубежных банков и бирж.
Разработка МГУ – не инструмент для финансовых спекулянтов, а фундаментальный подход в развитии предиктивной аналитики. И, возможно, именно за гибридами, умеющими признавать неопределенность, стоит будущее финансового ИИ.
