LSTM для фінансових часових рядів: архітектура та валідація

LSTM для фінансових часових рядів: архітектура та валідація

Уявіть: ви навчили LSTM на п'яти роках денок, отримали accuracy 68% на тесті. У продакшені модель показує 49% — гірше за випадковий. Типова помилка: data leakage при нормалізації або неправильна валідація. Ми розгорнемо production-ready архітектуру LSTM для фінансових часових рядів на основі реальних проектів з multi-asset портфелями та walk-forward валідацією. Наша команда має 10+ років досвіду в AI/ML для фінансів, реалізувала 30+ моделей для хедж-фондів та брокерів. Гарантуємо відсутність lookahead bias та відтворюваність експериментів. Використовуємо PyTorch та Hugging Face Transformers, навчаємо на кластері GPU A100, моніторимо через MLflow та Weights & Biases. Оптимізація гіперпараметрів проводиться за допомогою Optuna, валідація — строга walk-forward з embargo-періодом, щоб виключити витік. Результат: стабільний Information Coefficient (IC) > 0.05 та ICIR > 1.5 на аут-оф-семпл тесті. Вартість розробки залежить від складності моделі та обсягу даних — фінальна ціна обговорюється після аналізу. Орієнтовна тривалість single-asset рішення — від 2 до 3 тижнів роботи команди, multi-asset з attention — від 8 до 10 тижнів.

Чому LSTM, а не градієнтний бустинг?

LSTM виграє, коли послідовність подій важливіша за агрегати, а нелінійні часові патерни явно виражені. LightGBM з лаговими фічами часто обходить LSTM на малих датасетах (<10 000 спостережень). Але на багатовимірних рядах (кілька інструментів одночасно) та складних cross-asset залежностях LSTM дає перевагу. Архітектура вперше описана в статті Long Short-Term Memory (Hochreiter & Schmidhuber). LSTM — базова архітектура.

Архітектура моделі

import torch
import torch.nn as nn

class FinancialLSTM(nn.Module):
    def __init__(self, input_size, hidden_size=128, num_layers=2, dropout=0.2):
        super().__init__()
        self.lstm = nn.LSTM(
            input_size=input_size,
            hidden_size=hidden_size,
            num_layers=num_layers,
            batch_first=True,
            dropout=dropout
        )
        self.attention = nn.MultiheadAttention(hidden_size, num_heads=8)
        self.fc = nn.Linear(hidden_size, 1)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        lstm_out, _ = self.lstm(x)  # [batch, seq_len, hidden]
        # Self-attention по часовому виміру
        attn_out, _ = self.attention(lstm_out, lstm_out, lstm_out)
        # Останній крок або attention-weighted pool
        out = self.fc(self.dropout(attn_out[:, -1, :]))
        return out

Вхідні дані (seq_len × n_features): OHLCV, нормовані по ковзному вікну, технічні індикатори (RSI, MACD, ATR, Bollinger). Для multi-asset — конкатенація по feature dimension. Реалізація доступна в PyTorch LSTM.

Передобробка та нормалізація

Критично важливо: нормалізація без lookahead bias. Використовуємо нормалізацію в rolling вікні:

def rolling_normalize(X, window=252):
    mu = X.rolling(window).mean()
    sigma = X.rolling(window).std()
    return (X - mu) / (sigma + 1e-8)

Price returns замість цін: сирі ціни нестаціонарні, log returns стаціонарні:

returns = np.log(prices / prices.shift(1)).dropna()

Sequence generation:

def create_sequences(data, seq_len=60, horizon=5):
    X, y = [], []
    for i in range(len(data) - seq_len - horizon):
        X.append(data[i:i+seq_len])
        y.append(data[i+seq_len+horizon-1, 0])
    return np.array(X), np.array(y)

Навчання та регуляризація

Як налаштувати гіперпараметри для фінансових LSTM?

Sequence length: 20–60 днів для денних даних, 50–200 для годинних. Hidden size: 64–256. Layers: 2–3 (глибше зазвичай гірше на фінансових даних). Dropout: 0.1–0.4. Batch size: 32–128. Регуляризація: temporal dropout, feature noise, L2 weight decay (1e-4 to 1e-3). Оптимізатор: AdamW з cosine annealing LR scheduler. Рання зупинка по validation loss на 20% holdout.

Для портфеля з N інструментів застосовуємо Cross-sectional LSTM з паралельною обробкою всіх інструментів та cross-attention між ними, щоб захопити кореляційні патерни (нафта → нафтові акції, DXY → EM активи).

Валідація без data leakage

Walk-forward з embargo:

embargo_size = horizon
train_end = int(0.6 * len(data))
embargo_end = train_end + embargo_size
val_end = int(0.8 * len(data))

Метрики: Directional Accuracy, Information Coefficient (spearman correlation), ICIR (IC / std(IC) — стабільність; ICIR > 1.5 вважається хорошим).

Порівняння методів нормалізації

LSTM vs Transformer для фінансів

Для коротких послідовностей (< 100 кроків) LSTM часто не поступається Transformer при значно менших вимогах до даних.

Що входить у роботу

• Baseline модель single-asset з побудовою pipeline та документацією
• Multi-asset архітектура з cross-attention та walk-forward валідацією
• Оптимізація гіперпараметрів (Optuna) з логами в MLflow
• Деплой в Docker з Triton Inference Server та моніторингом в Prometheus
• Навчання команди експлуатації та передача model card

Кожен етап супроводжується звітами та коментарями в коді. Ми не просто віддаємо ваги — ми передаємо відтворюваний експеримент.

Процес роботи та терміни

• Аналітика — збір та візуалізація даних, визначення горизонту прогнозу.
• Проєктування — вибір архітектури (LSTM/Transformer, single/multi-asset).
• Реалізація — написання pipeline, навчання baseline, оптимізація.
• Тест — walk-forward валідація, стрес-тестування на аномаліях.
• Деплой — упаковка в Docker, розгортання на GPU-сервері, моніторинг.

Терміни: single-asset baseline — від 2 до 3 тижнів; multi-asset модель з attention та production pipeline — від 8 до 10 тижнів. Вартість розраховується індивідуально.

Замовте консультацію для попередньої оцінки вашого датасету — ми проаналізуємо його за 1–2 дні. Зв'яжіться з нами, щоб обговорити архітектуру моделі та терміни.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.