ОЦІНЮВАННЯ РЕГРЕСІЙНИХ МОДЕЛЕЙ З РЕГУЛЯРИЗАЦІЄЮ НА ФІНАНСОВИХ ЧАСОВИХ РЯДАХ ЗА ДОПОМОГОЮ АДАПТИВНОЇ КОМПЛЕКСНОЇ МЕТРИКИ
Ключові слова
Анотація
Запропоновано підхід до прогнозування фінансових часових рядів, головним інструментом якого є комплексна (композитна) метрика якості прогнозу ARL (Adaptive Risk Loss). Об’єктом дослідження є процес прогнозування фінансових часових рядів з використанням адаптивних математичних моделей. Проблема, що вирішувалася, полягає у неспроможності традиційних симетричних метрик (MSE) адекватно оцінювати моделі в умовах реального трейдингу, оскільки вони ігнорують напрямок руху ціни та асиметрію ризиків, однаково штрафуючи прибуткові та збиткові помилки. Суть отриманих результатів полягає у розробці методології відбору та налаштування регресійних моделей (Lasso, Elastic Net), де функція втрат ARL інтегрує три виміри: точність апроксимації, якість передбачення тренду (Directional Accuracy) та асиметричний ризик (pinball-loss, q = 0,05). Особливістю запропонованого підходу є застосування елементів нечіткої логіки для динамічного зважування компонентів метрики залежно від поточного стану ринку. Адаптивність системи забезпечується автоматичною зміною пріоритетів оптимізації на основі аналізу ковзних статистичних характеристик часових рядів, зокрема волатильності, асиметрії, ексцесу та автокореляції. У періоди підвищеної ринкової турбулентності зростає вплив ризик-орієнтованої складової, що дозволяє зменшити глибину потенційних просідань, тоді як у стабільних фазах домінує вимога до точності прогнозу. Практична цінність отриманих результатів полягає у можливості застосування запропонованого підходу разом із walk-forward валідацією для побудови робастних моделей прогнозування та управління ризиками на таких ринках як криптовалютний, товарний ринок золота та фондовому ринку США.
Експериментальну перевірку прогнозування виконано для 7 фінансових активів (VIX Index, Brent Oil, USD/CHF, Bitcoin, Nasdaq, Gold, S&P 500) з поетапним тестуванням, у якому на кожному кроці використовувалася доступна історія для навчання та формувався прогноз на наступний період. Перевірка показала стійкість ефекту для більшості активів, але також виявила обмеження на прикладі VIX, де ARL погіршується на 4,86 %, навіть за покращення MSE на 0,52 %. За критерієм ARL вибір типу регуляризації залежить від активу, зокрема для Bitcoin найкращий результат дає L1-регуляризація, а для Brent Oil кращим є Elastic Net.
