Рынок Forex остаётся одним из самых сложных и непредсказуемых финансовых пространств. Его высокая ликвидность и глобальный масштаб привлекают миллионы трейдеров, но именно сложность и шум данных делают прогнозирование крайне трудной задачей. В диссертации Tianyu Zhou (2020, Brunel University London) исследуется возможность применения методов глубокого обучения, в частности LSTM‑нейросетей, для повышения точности прогнозов валютных трендов.
Сложность рынка и традиционные методы анализа
Автор подчёркивает, что фундаментальный и технический анализ, используемые трейдерами десятилетиями, имеют свои ограничения. Фундаментальные модели опираются на макроэкономические индикаторы, но часто запаздывают. Технический анализ выявляет паттерны в исторических данных, однако рынок Forex слишком подвержен случайным колебаниям. Это создаёт ситуацию, когда традиционные методы не обеспечивают устойчивого положительного математического ожидания.
Применение LSTM для временных рядов
LSTM‑сети обладают уникальной способностью работать с временными рядами, учитывая долгосрочные зависимости. В исследовании собраны и проанализированы как фундаментальные, так и технические факторы, которые затем используются в качестве входных данных для модели. Такой подход позволяет объединить разные источники информации и повысить качество прогнозов.
Новый метод валидации и гибридные функции активации
Одним из ключевых вкладов работы является разработка нового метода валидации для временных рядов, который преодолевает ограничения традиционного walk‑forward подхода. Кроме того, автор предлагает использовать гибридные функции активации в скрытых слоях LSTM. Эксперименты показали, что такие модификации значительно повышают точность прогнозов по сравнению со стандартными моделями.
Результаты и ограничения
Исследование подтверждает, что улучшенные LSTM‑алгоритмы действительно способны выявлять тренды и повышать точность прогнозов. Однако автор честно отмечает: даже самые совершенные модели не устраняют фундаментальную неопределённость рынка. Forex остаётся системой, где устойчивое положительное ожидание крайне трудно достичь, а любые алгоритмы требуют постоянной адаптации и переобучения.
Работа Tianyu Zhou демонстрирует, что глубокое обучение открывает новые горизонты для анализа валютного рынка. LSTM‑сети с гибридными функциями активации способны улучшить прогнозирование трендов, но не отменяют базовую проблему: рынок Forex остаётся слишком сложным и шумным, чтобы гарантировать стабильную прибыль. Таким образом, исследование подтверждает, что технологии могут повысить точность, но не устраняют отрицательное математическое ожидание для большинства участников.