АНАЛІЗ ЕФЕКТИВНОСТІ МОДЕЛЕЙ ПРОГНОЗУВАННЯ ФІНАНСОВИХ РЯДІВ В УМОВАХ РИНКОВОЇ ТУРБУЛЕНТНОСТІ

Анотація

В роботі представлено порівняльний аналіз ефективності моделей прогнозування фінансових часових рядів в умовах ринкової турбулентності. Дослідження зосереджено на оцінці адаптивності статистичної моделі ARIMA та рекурентної нейронної мережі LSTM на різних горизонтах прогнозування під час періодів високої ринкової турбулентності. Проаналізовано щоденні дані формату OHLC п'яти провідних технологічних компаній (Google, Apple, Amazon, Meta, Oracle) за період 2020-2025 років з особливим акцентом на турбулентному періоді квітня-червня 2025 року. Реалізовано три архітектури моделей: ARIMA(2,1,0), LSTM Bidirectional Autoencoder (100 units) та простий LSTM (20 units). Тестування проводилось на горизонтах прогнозування 5, 15 та 30 днів з використанням метрик MAPE, RMSE та MAE. Додатково застосовано аналіз залишків через дослідження функції автокореляції для валідації якості моделей. Результати продемонстрували, що ARIMA перевершує у короткострокових прогнозах (5 днів) з MAPE ≤ 0.06, проте її ефективність знижується на середньострокових горизонтах через неспроможність адаптуватись до ринкової турбулентності. Простий LSTM (20 одиниць) досяг оптимального балансу між точністю та стабільністю, випереджаючи ARIMA на 30.75% на середньо- та довгострокових прогнозах. Складний LSTM Autoencoder виявився найменш ефективним через перенавчання на ринковому шумі. Наукова новизна полягає у доведенні того, що простіші LSTM архітектури перевершують складні в умовах екстремальної ринкової турбулентності, ставлячи під сумнів припущення про те, що складність моделі покращує продуктивність. Аналіз залишків було використано як додатковий метод валідації для підтвердження цих висновків. Практична значимість включає оптимізацію алгоритмічних торгових стратегій та систем управління ризиками в періоди ринкової нестабільності, що має особливе значення для фінансових інститутів та інвестиційних фондів.