Методы интеллектуального анализа данных для прогнозирования финансовых временных рядов

Введение. Совершенствование алгоритмов интеллектуального анализа данных позволяет решать задачи прогнозной аналитики более эффективными способами. Ансамбли моделей – одно из активно развивающихся направлений, особенно в тех задачах, где прогностическая точность более важная, чем интерпретируемость модели. Теоретический анализ. Задача прогнозирования требует тщательного исследования исходного набора данных и методов, подходящих для анализа. Она включает решение таких подзадач, как выбор модели прогнозирования, анализ точности построенного прогноза. Ансамблевые модели позволяют сочетать прогнозы нескольких базовых моделей с целью уменьшения ошибок прогнозирования и повышения обобщающей способности моделей. Для основных методов построения ансамблей (бэггинг, бустинг, стекинг) представлены концептуальные схемы. Эмпирический анализ. В статье исследованы практические аспекты прогнозирования финансовых временных рядов, реализован набор ансамблевых моделей для решения прогностических задач. Результаты. Для по- строения ансамблей моделей разработано приложение с web-интерфейсом, которое позволяет оценить модели с применением различных функционалов ошибки, осуществить выбор более точной ансамблевой модели. С помощью приложения можно осуществлять выбор и настройку моделей для формирования прогнозных ансамблей, тестировать полученные модели, визуализировать результаты. Представлено тестирование ансамблевых моделей на реальных данных для анализа финансовых временны́х рядов.