Ученые ВМК МГУ разработали модель ИИ для прогнозирования цен акций РТС

Ученые факультета ВМК МГУ разработали инновационный метод прогнозирования движения цен акций РТС, используя сочетание временных рядов и текстовых данных из финансовых новостей. Результаты исследования были представлены на Всероссийской конференции «Ломоносовские чтения-2024», где они получили высокую оценку от специалистов в области финансов и искусственного интеллекта. Эксперименты показали, что новый подход обеспечивает значительно более точные прогнозы, чем традиционные методы, и позволяет инвесторам лучше адаптироваться к изменениям на рынке.

Фондовые рынки оказывают значительное влияние на экономическую динамику, влияя на ключевые сектора, такие как бизнес, образование и технологии. В свете этого предсказание движений фондового рынка становится крайне важной задачей, особенно в условиях его динамичного и часто непредсказуемого характера. Ученые факультета вычислительной математики и кибернетики МГУ разработали новый подход, который объединяет анализ временных рядов цен акций и обработку текстовых данных из финансовых новостей с помощью передовых технологий машинного обучения.

Профессор кафедры исследования операций факультета ВМК МГУ Дмитрий Голембиовский пояснил: «Мы применили рекуррентные нейронные сети для анализа временных рядов, что позволило нам извлекать сложные паттерны и зависимости в данных о ценах акций. С другой стороны, использование модели из семейства BERT для анализа текстов финансовых новостей дало нам возможность учитывать влияние внешних событий на рыночные цены».

«Этот метод не только учитывает исторические данные, но и анализирует текущие события, что делает его особенно ценным в условиях быстро меняющегося рынка», – добавил Голембиовский. Этот подход позволяет инвесторам и аналитикам фондового рынка использовать ИИ для точного прогнозирования движений цен, делая торговлю более предсказуемой и успешной.

Ученые планируют дальнейшие исследования для расширения своей модели, включая адаптацию под другие рынки и улучшение алгоритмов для работы в различных экономических условиях. Это делает работу важным шагом к созданию более устойчивых и адаптивных финансовых систем в условиях глобальной экономической неопределенности.