ГІБРИДНІ МОДЕЛІ ШІ У ФІНАНСОВОМУ ПРОГНОЗУВАННІ

Анотація

Вступ. Фінансове прогнозування належить до прикладних сфер, у яких помилка моделі швидко набуває економічної форми: втрати ліквідності, неправильного ціноутворення ризику, неефективної інвестиційної позиції або хибного сигналу для банківського, монетарного чи регуляторного рішення. У сучасних умовах прогнозування фінансових часових рядів ускладнюється не лише зростанням обсягів даних, а й режимною нестабільністю, волатильністю, інформаційними шоками, алгоритмічною торгівлею та підвищенням складності фінансової поведінки. За таких умов одиничні моделі часто не охоплюють усю структуру фінансового сигналу. Класичні економетричні підходи зберігають значення для аналізу авторегресійності та волатильності, але мають обмеження щодо нелінійності й багатовимірності. Моделі машинного та глибокого навчання краще працюють із нелінійними залежностями й великими наборами ознак, однак створюють ризики непрозорості, нестійкості та складності аудиту.

Мета. Метою статті є обґрунтування теоретико-методичних засад застосування гібридних моделей штучного інтелекту у фінансовому прогнозуванні та розроблення архітектури їх використання для фінансових часових рядів з урахуванням прогнозної точності, режимної стійкості, пояснюваності результатів і модельного ризику.

Матеріали і методи. Інформаційну базу дослідження становлять наукові публікації з економетричного, машинного й глибинного прогнозування, праці з пояснюваного штучного інтелекту, міжнародні звіти щодо використання ШІ у фінансах, а також відкриті дані НБУ. Методологічно стаття спирається на систематизацію джерел, порівняльний аналіз модельних підходів, структурно-функціональне моделювання, узагальнення результатів емпіричних досліджень і принцип  walk-forward validation для часових рядів.

Результати. У статті обґрунтовано багатошарову інтерпретацію фінансового часового ряду, у межах якої виокремлено лінійний, волатильний, нелінійний, шумовий і режимний шари. Систематизовано основні типи гібридних моделей штучного інтелекту у фінансовому прогнозуванні: послідовні, декомпозиційні, ансамблеві, стекінгові та пояснювані архітектури. Сформовано архітектуру гібридної моделі, яка поєднує збір даних, попередню обробку, декомпозицію сигналу, базові моделі, агрегування прогнозів, послідовну часову валідацію, пояснюваність і контроль модельного ризику. На офіційних даних НБУ емпірично проілюстровано режимну неоднорідність українського фінансового контексту у 2020–2026 рр. на прикладі динаміки курсу USD/UAH та облікової ставки НБУ. Обґрунтовано, що прогнозна точність не є тотожною фінансовій ефективності рішення, оскільки практичне використання прогнозу потребує врахування ліквідності, трансакційних витрат, регуляторних обмежень, лімітів ризику та процедур людського перегляду.

Перспективи. Подальші дослідження доцільно спрямувати на повне емпіричне тестування запропонованої архітектури на щоденних фінансових рядах НБУ з порівнянням наївного прогнозу, ARIMA/GARCH, XGBoost, LSTM та гібридних моделей за MAE, RMSE, SMAPE, точністю прогнозування напряму зміни й помилкою за валютними та монетарними режимами. Окремого значення набуває оцінювання того, як прогнозна помилка трансформується у фінансовий ефект для банків, інвесторів, імпортерів, експортерів і регуляторів.