Сравнение моделей прогнозирования
В сервисе Финансовый анализ доступны пятнадцать подходов из
model_settings: статистика, нейросети, zero-shot foundation-proxy, бустинг и
ансамбль. Ниже — сравнительный обзор для выбора модели под задачу.
Сводная таблица
| Модель | Класс | Что прогнозирует | Сильные стороны | Ограничения | Когда брать |
|---|---|---|---|---|---|
| ARIMA | Статистическая | Цена / уровень ряда | Интерпретируемость, быстрый baseline на коротких стационарных рядах | Линейность; плохо ловит сложные нелинейности и длинные зависимости | Первый ориентир, спокойные ряды без сильной сезонности |
| SARIMA | Статистическая | Цена с сезонностью | Явный сезонный блок (P,D,Q,m) — удобно для недельных/торговых циклов | Больше гиперпараметров; переобучение сезона на короткой истории | Видимая сезонность (например, m≈5 торговых дней) |
| ETS | Статистическая | Цена (сглаживание) | Простое экспоненциальное сглаживание тренда/сезона, устойчивый baseline | Ограниченная гибкость на режимах высокой волатильности | Быстрый прогноз уровня без тонкой настройки ARIMA |
| GARCH | Статистическая | Волатильность σ(t) | Моделирует кластеры волатильности, типичные для финансов | Не прогноз цены close; нужна отдельная интерпретация графика σ | Оценка риска / переменной дисперсии, не точка цены |
| LSTM | Нейросеть | Цена (последовательности) | Нелинейные временные зависимости, память о длинном контексте окна | Дольше учится; чувствителен к окну, эпохам и масштабу ряда | Достаточно истории и нужен нелинейный прогноз уровня |
| GRU | Нейросеть | Цена (последовательности) | Близка к LSTM при меньшей сложности ячейки — часто быстрее | Те же требования к данным и тюнингу, что у LSTM | Альтернатива LSTM при сопоставимом качестве на окне |
| TCN | Нейросеть | Цена (свёртки) | Дилатированные свёртки: большой receptive field при параллельном обучении | Нужна настройка глубины/каналов; на очень коротких рядах избыточна | Длинные локальные паттерны без явной «памяти» RNN |
| PatchTST | Нейросеть (трансформер) | Цена (патчи ряда) | Патч-эмбеддинги + attention — сильный кандидат на длинных рядах | Тяжелее по вычислениям; больше гиперпараметров (patch, d_model) | Длинная история и сравнение с RNN/TCN на сложных рядах |
| TFT | Нейросеть (трансформер) | Цена + отбор признаков | Variable-selection gates + attention — сам взвешивает, что важнее во входном окне | Дороже LSTM; на короткой истории gates могут быть шумными | Нужен интерпретируемый вклад истории/признаков на финрынках |
| FinCast | Нейросеть (MoE) | Цена (скачки / режимы) | Mixture of Experts + FFT-инжекция — меньше «заглаживания» резких движений | Локальная реализация духа FinCast (не полный foundation-чекпойнт 2025) | Волатильные тикеры, где классические сети слишком гладкие |
| Chronos-2 | Foundation / zero-shot | Цена без fine-tune | Патч-токены + поиск аналогов «из коробки», без эпох на ассете | Лёгкий zero-shot proxy (не веса Amazon Chronos / Google TimesFM) | Быстрый baseline без обучения нейросети на тикере |
| LightGBM | Бустинг (деревья) | Цена (табличные лаги) | Скорость + Optuna; на лаговых фичах часто бьёт «чистые» сети по ROI времени | Нужны информативные лаги/экзогены; слабо ловит длинный контекст как TFT | Много внешних индексов или нужен быстрый сильный tabular-baseline |
| N-BEATS | Нейросеть (FC-блоки) | Цена (тренд/сезон) | Раскладывает ряд без Attention — обычно быстрее трансформеров | Меньше гибкости на сложных мультиисточниках, чем TFT/PatchTST | Нужна глубокая модель без overhead внимания |
| ARIMA+LSTM | Гибрид | Цена (линейное + остатки) | ARIMA снимает линейную динамику, LSTM учит остатки | Два этапа настройки; ошибка ARIMA влияет на вход LSTM | Есть и тренд/автокорреляция, и нелинейный остаток |
| Ансамбль | Гибрид / агрегация | Цена (комбинация) | Сглаживает промахи отдельных моделей, часто стабильнее на out-of-sample | Зависит от качества базы; интерпретация вклада моделей слабее | Итоговый прогноз после обучения нескольких ценовых моделей |
Группы методов
- Статистические (ARIMA, SARIMA, ETS, GARCH) — прозрачные допущения, быстрый расчёт. GARCH стоит особняком: моделирует условную дисперсию, а не close.
- Нейросети (LSTM, GRU, TCN, PatchTST, TFT, FinCast, N-BEATS) — гибкость на нелинейных рядах; TFT/FinCast — отбор признаков и MoE, N-BEATS — без Attention.
- Zero-shot / деревья (Chronos-2, LightGBM) — прогноз без долгого fine-tune на тикере или быстрый бустинг на лагах (+ Optuna).
- Гибриды (ARIMA+LSTM, Ансамбль) — сочетают линейную базу с нелинейной поправкой или усредняют несколько прогнозов цены.
Критерии выбора
- Цель прогноза. Для уровня цены сравнивайте ARIMA/SARIMA/ETS и нейросети; для риска волатильности — отдельно GARCH.
- Длина и характер ряда. Короткие спокойные ряды — статистика; длинные нелинейные — LSTM/GRU/TCN/PatchTST/TFT.
- Сезонность. Явный торговый/календарный цикл — SARIMA или ETS с сезоном; иначе начните с ARIMA.
- Волатильность и настроения. GARCH — по доходностям; VIX/VVIX/SKEW/MOVE и CNN F&G — уровни страха и режимов как цель или экзогены (см. страницу «Рыночные индексы»).
- Метрики. MAE / RMSE / MAPE — на одном hold-out (см. раздел ниже); при двух+ моделях — тест Дибольда–Мариано. σ на графиках — волатильность GARCH, не ошибка цены.
- Практика в UI. Сначала 1–2 быстрых baseline (ARIMA, ETS или Chronos-2), затем нейросеть/LightGBM и гибрид; Ансамбль — в конце.
Метрики сравнения (MAE, RMSE, MAPE)
В таблице сравнения (вкладка после обучения) для ценовых моделей считаются ошибки на одном и том же hold-out окне: чем меньше значение, тем лучше на этом окне. GARCH в эту таблицу обычно не попадает — у него другой объект прогноза (см. σ ниже).
| Метрика | Что измеряет | Формула (идея) | Как читать |
|---|---|---|---|
| MAE | Mean Absolute Error — средняя абсолютная ошибка | среднее |факт − прогноз| | В тех же единицах, что цена (руб., пункты индекса). Устойчивее к редким выбросам, чем RMSE. Удобна как «типичная» ошибка в деньгах/пунктах. |
| RMSE | Root Mean Squared Error — корень из средней квадратичной ошибки | √ среднее (факт − прогноз)² | Тоже в единицах цены, но сильнее штрафует крупные промахи. Часто сортируем модели по RMSE. Если RMSE ≫ MAE — есть отдельные большие ошибки. |
| MAPE | Mean Absolute Percentage Error — средняя относительная ошибка | среднее |факт − прогноз| / |факт| × 100% | В процентах от факта — удобно сравнивать разные инструменты (USD и SBER). На нулевых/околонулевых уровнях ряда ненадёжна (в коде нули маскируются). |
- Сравнивайте модели только на одном окне и одном инструменте — иначе метрики несравнимы.
- Тест Дибольда–Мариано отвечает, значима ли разница двух прогнозов статистически (p-value), а не только «чья MAE чуть меньше».
Строчная сигма σ на графиках
Символ σ (строчная греческая «сигма») на графиках сервиса — это не цена close, а условная волатильность, которую даёт модель GARCH (оценка стандартного отклонения доходности на дату / горизонт).
- Что видно: кривая или heatmap с подписью σ — насколько «нервный» рынок по оценкам GARCH в этот момент (кластеры высокой/низкой волатильности).
- Чего нет: σ не сравнивают с MAE/RMSE в таблице ценовых моделей и не читают как прогноз уровня курса или индекса.
- Связь с VIX: VIX — рыночная implied-волатильность; σ(GARCH) — модельная оценка по истории доходностей выбранного ряда. Их можно сопоставлять по смыслу («страх»), но это разные величины и шкалы.
- Colorbar / hover с «σ=…» на тепловой карте — значение этой условной волатильности в соответствующей ячейке.
Практические пары для сравнения
- ARIMA vs SARIMA — есть ли выигрыш от сезонного блока на вашем тикере.
- ETS vs ARIMA — простой сглаживающий baseline против ARMA-структуры.
- LSTM vs GRU — качество при близком окне и числе эпох.
- TCN vs PatchTST — свёртки против патч-трансформера на длинной истории.
- TFT vs PatchTST — отбор признаков/gates против «чистого» патч-attention.
- FinCast vs LSTM — меньше ли сглаживания скачков на волатильном тикере.
- Chronos-2 vs ARIMA — zero-shot proxy против классического baseline без эпох.
- LightGBM vs TFT — скорость tabular+Optuna против глубокого отбора признаков.
- N-BEATS vs PatchTST — FC-блоки без Attention против трансформера.
- GARCH vs прогноз уровня VIX — условная σ доходностей против уровня индекса страха.
- ARIMA+LSTM vs лучшая одиночная — окупается ли разложение на остатки.
- Ансамбль vs лучшая одиночная — стабильность на hold-out, а не только in-sample.
Руководство по интерфейсу: Как пользоваться аналитикой. Открыть приложение: /finance/.