Применение моделей машинного обучения для многомерного среднесрочного прогнозирования стоимости акций

Автор(ы): Сизых Н.В., Кудрявцева Н.С.

Выпуск: 118

Рубрика: Управление в социально-экономических системах

Год: 2025

Библиография: Сизых Н.В., Кудрявцева Н.С. Применение моделей машинного обучения для многомерного среднесрочного прогнозирования стоимости акций // Управление большими системами. - 2025. - Вып. 118. - С.250-285.

Дата опубликования: 30.11.2025

Ключевые слова: модели прогнозирования, методы машинного обучения, многомерное многоэтапное прогнозирование, фондовый рынок, стоимость акций

Аннотация: Многочисленные исследования в области прогнозирования котировок ценных бумаг, в частности акций, направлены на поиск более точных и эффективных моделей. Однако внимание к многомерному прогнозированию, которое позволяет получить более точный прогноз, остается недооцененным, поскольку для его реализации требуется значительное увеличение вычислительных ресурсов. Поэтому актуальным является подбор более упрощенных, но эффективных моделей, с помощью которых можно получать хорошие результаты при меньших вычислительных затратах, доступном наборе однозначно оцениваемых данных и упрощенной настройке, сохраняя при этом достаточную точность для практического использования. Результаты исследования, приведенные в данной статье, направлены на решение данной проблемы. Авторами подобраны, сформированы и апробированы методики моделей многомерного прогнозирования стоимости акций на основе методов машинного обучения и современных нейросетевых архитектур. Проведен сравнительный анализ результатов среднесрочного прогноза стоимости акций (30 дней) с помощью моделей многомерного прогнозирования. Апробация проведена на примере акций, входящих в индекс S&P 500. В процессе исследования подобраны дополнительные массивы данных, которые способствуют повышению точности прогноза и доступны в открытых источниках.

Author(s): Sizykh N., Kudryavtseva N.

Article title: Application of machine learning models for multi-dimensional medium-term stock value forecasting

Issue: 118

Year: 2025

Keywords: forecasting models, machine learning methods, multivariate multistage forecasting, stock market, stock price

Abstract: Numerous studies in the field of forecasting stock prices, in particular shares, are aimed at finding more accurate and efficient models. It should be noted that attention to multidimensional forecasting, which allows for a more accurate forecast, often remains underestimated. This is due to the fact that it requires significant computing resources, additional data arrays and complex models, which makes it difficult to apply in real conditions. In this regard, it is relevant to form more simplified but effective models that can give good results with lower computational costs, an available set of unambiguously estimated data and simplified settings, while maintaining sufficient accuracy for practical use. The results of the work presented in the paper are aimed at studying this issue: methods for multidimensional stock price forecasting models based on machine learning methods and modern neural network architectures for constructing a multi-stage forecast for a 30-day horizon were selected, formed and tested. A comparative analysis was conducted and it was shown that the Attention + LSTM model provides the highest forecast accuracy, which confirms the effectiveness of attention mechanisms for extracting significant temporal dependencies.