Гибридная модель Wavelet-ARNN-ARIMA для прогнозирования цен на Форекс

1. Введение

Рынок иностранной валюты (Форекс) с ежедневным объёмом торгов, превышающим 5 триллионов долларов, представляет значительные возможности и риски. Точное прогнозирование цен имеет решающее значение для эффективных торговых стратегий. Однако данные Форекс характеризуются высокой волатильностью, наличием шума и сложными нелинейными паттернами, что делает прогнозирование исключительно сложной задачей. Традиционные линейные модели, такие как ARIMA, часто не справляются с улавливанием этой динамики. В данной статье предлагается новая гибридная методология, синергетически сочетающая вейвлет-фильтрацию, рекуррентную нейронную сеть с механизмом внимания (ARNN) и модель авторегрессии и скользящего среднего с интегрированием (ARIMA) для одновременного учета линейных и нелинейных компонент временных рядов Форекс с целью достижения превосходной прогностической производительности.

2. Обзор литературы

2.1 Вейвлет-фильтрация

Вейвлет-преобразование — это мощный инструмент для частотно-временного анализа, эффективно разделяющий сигнал и шум в нестационарных финансовых данных. Разлагая временной ряд на коэффициенты аппроксимации и детализации, оно позволяет выборочно удалять высокочастотные шумовые компоненты, которые могут скрывать базовые тренды и структуры автокорреляции. Этот этап предобработки критически важен для повышения качества входных данных модели.

2.2 Нейронные сети в финансах

Нейронные сети, в частности рекуррентные нейронные сети (RNN) и их варианты, такие как LSTM, показали свою эффективность в моделировании сложных нелинейных финансовых временных рядов. Интеграция механизмов внимания, как в моделях типа Transformer, позволяет сети фокусироваться на наиболее релевантных прошлых наблюдениях для формирования прогноза, усиливая возможности моделирования последовательностей.

2.3 Гибридные модели прогнозирования

Парадигма «разложения и ансамбля» хорошо зарекомендовала себя. Основная идея заключается в использовании разных моделей для улавливания различных характеристик данных (например, линейных против нелинейных, тренда против сезонности) с последующим объединением их прогнозов. Вклад данной статьи заключается в специфической комбинации вейвлет-фильтрации для предобработки, ARNN для нелинейных паттернов и ARIMA для остаточных линейных компонент.

3. Методология

3.1 Предобработка данных и вейвлет-фильтрация

Исходный ряд цен Форекс $P_t$ разлагается с использованием дискретного вейвлет-преобразования (DWT): $P_t = A_J + \sum_{j=1}^{J} D_j$, где $A_J$ — коэффициент аппроксимации (низкочастотный тренд), а $D_j$ — коэффициенты детализации (высокочастотный шум уровня $j$). К коэффициентам детализации применяется пороговая функция (например, мягкое пороговое ограничение) для подавления шума, после чего следует реконструкция для получения очищенного ряда $\tilde{P}_t$.

3.2 Архитектура RNN с механизмом внимания (ARNN)

Модель использует фреймворк RNN типа «кодировщик-декодировщик» со слоем внимания. Кодировщик (ячейки LSTM) обрабатывает входную последовательность $\tilde{P}_{t-n:t-1}$ и создаёт последовательность скрытых состояний $h_i$. Механизм внимания вычисляет контекстный вектор $c_t$ как взвешенную сумму этих состояний кодировщика: $c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$, где веса внимания $\alpha_{t,i}$ обучаются прямой нейронной сетью. Затем декодировщик LSTM использует $c_t$ и своё предыдущее состояние для прогнозирования нелинейной компоненты $\hat{N}_t$.

3.3 Спецификация модели ARIMA

Модель ARIMA(p,d,q) описывает линейные зависимости во временном ряду. После того как ARNN улавливает нелинейную часть, остаточный ряд $R_t = \tilde{P}_t - \hat{N}_t$ моделируется с помощью ARIMA: $\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$, где $\phi$ и $\theta$ — полиномы AR и MA, $B$ — оператор обратного сдвига, $d$ — порядок интегрирования, а $\epsilon_t$ — белый шум. Это даёт линейный прогноз $\hat{L}_t$.

3.4 Стратегия гибридной интеграции

Итоговый прогноз $\hat{P}_t$ представляет собой простую аддитивную комбинацию прогнозов двух составляющих моделей: $\hat{P}_t = \hat{N}_t + \hat{L}_t$. Это предполагает, что линейные и нелинейные компоненты аддитивны и были эффективно разделены в процессе моделирования.

4. Экспериментальные результаты

4.1 Набор данных и экспериментальная установка

Эксперименты проводились на высокочастотных данных пятиминутного курса USD/JPY. Набор данных был разделён на обучающую, валидационную и тестовую выборки. Базовыми моделями для сравнения были автономная ARIMA, стандартная LSTM и другие архитектуры нейронных сетей из соответствующей литературы.

4.2 Метрики производительности и сравнение

Предложенная гибридная модель достигла среднеквадратической ошибки (СКО/RMSE) 1.65 и точности направления (ТН) приблизительно 76%. Это превзошло все базовые модели. Например, автономная модель ARIMA может достигать ТН ~55-60%, а стандартная LSTM — ~65-70%, что подчёркивает ценность гибридного подхода и предобработки.

4.3 Анализ и обсуждение результатов

Значительное улучшение точности направления особенно важно для торговых приложений, где прогнозирование правильного направления движения цены (вверх/вниз) часто важнее, чем точная ценовая точка. Снижение СКО указывает на минимизацию общей ошибки прогноза. Результаты подтверждают гипотезу о том, что вейвлет-фильтрация стабилизирует входные данные, а гибридная модель эффективно улавливает как линейные, так и нелинейные зависимости.

5. Технический анализ и экспертное мнение

6. Аналитический фреймворк и пример

Сценарий: Прогнозирование следующей 5-минутной свечи для EUR/USD во время важного заявления центрального банка (например, пресс-конференция ЕЦБ).

Применение фреймворка:

1. Вейвлет-предобработка: Исходный 5-минутный ценовой ряд за последние 4 часа (48 точек данных) разлагается. Высокочастотные коэффициенты детализации, резко возрастающие во время анонса, подвергаются сильному пороговому ограничению, сглаживая микропомехи, но сохраняя основной скачок направления.
2. Декомпозиция модели:
   • Компонент ARIMA: Моделирует базовый импульс и тенденцию к возврату к среднему, существовавшие до новости. Его прогноз может представлять собой небольшое продолжение предновостного тренда.
   • Компонент ARNN: Механизм внимания сильно фокусируется на самых последних, волатильных ценовых барах после анонса. Он обучается на схожих исторических паттернах «новостных шоков», чтобы предсказать вероятную краткосрочную чрезмерную реакцию и последующий частичный откат.
3. Гибридный прогноз: Итоговый прогноз = (трендовый прогноз ARIMA) + (корректировка ARNN на влияние новости). Это более тонкий подход, чем любая модель по отдельности, которые могут либо недореагировать (ARIMA), либо переобучиться на шум (стандартная RNN на сырых данных).

7. Будущие применения и направления

• Прогнозирование по нескольким активам и межрыночное: Расширение фреймворка для моделирования корреляций между валютными парами, акциями и облигациями. Кодировщик ARNN мог бы одновременно обрабатывать несколько связанных временных рядов.
• Интеграция с обучением с подкреплением (RL): Использование прогнозов гибридной модели в качестве представления состояния для агента RL, который обучается оптимальным политикам исполнения сделок, напрямую оптимизируя прибыль, а не ошибку прогноза.
• Улучшения объяснимого ИИ (XAI): Разработка методов атрибуции итогового прогноза к конкретным линейным трендам (через коэффициенты ARIMA) и конкретным прошлым временным точкам (через карты внимания ARNN), предоставляя трейдерам практические обоснования прогноза.
• Адаптивное онлайн-обучение: Реализация механизмов для непрерывного обновления параметров модели новыми данными в потоковом режиме для адаптации к меняющимся рыночным режимам, выходя за рамки статических парадигм обучения-тестирования.

8. Список литературы

1. Bank for International Settlements (BIS). (2019). Triennial Central Bank Survey of foreign exchange and OTC derivatives markets.
2. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
4. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
5. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
6. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67-82.
7. DeepMind. (2023). Research in Adaptive Agents. Retrieved from https://www.deepmind.com/research/highlighted-research/adaptive-agents