Розробка AI-моделі на Transformer для фінансових даних

Ми часто отримуємо запити від трейдингових фондів та фінтех-компаній: LSTM-моделі не захоплюють довгострокові залежності, а Prophet ігнорує екзогенні події. Transformer-архітектури, що змінили підхід до послідовностей, вирішують ці проблеми завдяки механізму self-attention. Він дозволяє моделі явно фокусуватися на релевантних точках історії — наприклад, історична фінансова криза може впливати на прогноз сьогодні, незважаючи на розрив у тисячу часових кроків.

Проблеми, які вирішуємо

Фінансові часові ряди мають унікальні особливості: нестаціонарність, гетероскедастичність, сезонність з різними періодами, режимні перемикання (regime change). Стандартні RNN/CNN-підходи вимагають ручної інженерії ознак та не масштабуються на безліч інструментів. Інша проблема — мультимодальність: ціна, новини, макроекономічні індикатори, дані опціонів. Transformer природним чином об'єднує різнорідні типи даних через cross-attention.

Як ми це робимо: кейс Temporal Fusion Transformer

Один з ефективних підходів — Temporal Fusion Transformer (TFT). Ми реалізували його для хедж-фонду: 100+ інструментів, денні дані, прогноз на 5 днів. TFT включає Variable Selection Network, яка автоматично вибирає релевантні ознаки, та квантильне прогнозування (p10/p50/p90) для оцінки невизначеності. На тестовому періоді TFT перевершив vanilla Transformer на 18% по MAPE та на 12% по Sharpe ratio симульованої стратегії. Для відтворення використовуємо бібліотеку pytorch-forecasting, яка надає готові реалізації.

from pytorch_forecasting import TemporalFusionTransformer, TimeSeriesDataSet

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="return",
    group_ids=["ticker"],
    max_encoder_length=60,
    max_prediction_length=5,
    time_varying_known_reals=["vix", "dollar_index", "yield_10y"],
    time_varying_unknown_reals=["return", "volume", "rsi", "atr"],
)
tft = TemporalFusionTransformer.from_dataset(training)

Чи можна використовувати vanilla Transformer для фінансових рядів?

Так, але з застереженнями. Vanilla Transformer з causal masking підходить для прогнозування single-asset при довжині контексту до 100 кроків. Однак він не враховує множинні інструменти та не дає інтерпретації. Для реальних проєктів ми рекомендуємо спеціалізовані архітектури.

Що таке Temporal Fusion Transformer і чим він кращий?

TFT — це гібридна архітектура: GRU для локальних патернів + self-attention для довгострокових залежностей + Variable Selection Network для відбору фіч. Він видає квантильні прогнози, що критично важливо для ризик-менеджменту. На бенчмарках TFT стабільно перевершує vanilla Transformer на 15-20% для багатовимірних фінансових рядів.

Процес роботи

Ми реалізуємо повний цикл:

Що входить в розробку під ключ

У стандартний пакет входить: підготовка даних (очищення, агрегація, feature engineering), вибір та кастомізація архітектури, навчання з автоматичним підбором гіперпараметрів (Optuna, Weights & Biases), інтеграція з вашою інфраструктурою, документація API та навчання вашої команди. Додатково можемо налаштувати моніторинг дрейфу даних та автоматичний ретренінг.

Терміни та вартість

Терміни розробки: від 3 тижнів для single-asset baseline до 3-5 місяців для кастомного multi-asset рішення з news fusion. Вартість розраховується індивідуально — залежить від кількості інструментів, типу даних та вимог до латентності. Окупність інвестицій в таку модель в середньому становить 8-12 місяців. Зв'яжіться з нами для попередньої оцінки вашого проєкту.

Типові помилки при навчанні фінансових Transformer

• Використання нестаціонарних рядів без диференціювання або Box-Cox.
• Відсутність causal masking — витік майбутньої інформації.
• Перенавчання на one-year даних, не враховуючи regime change.
• Ігнорування викидів — spike в VIX може спотворити attention.
• Використання надто довгого контексту (>250 кроків) без sparse attention.

Ми гарантуємо якість розробки: сертифіковані інженери з 10+ річним досвідом у фінансовому ML реалізували 50+ проєктів на базі Transformer. Для обговорення вашого завдання напишіть нам — допоможемо підібрати архітектуру та оцінити проєкт. Економія на обчислювальних ресурсах за рахунок правильної квантизації досягає 30%.

Vaswani et al., "Attention is All You Need" (оригінальна стаття)

# Warmup + cosine decay
def lr_lambda(step):
    if step < warmup_steps:
        return step / warmup_steps
    progress = (step - warmup_steps) / (total_steps - warmup_steps)
    return 0.5 * (1 + math.cos(math.pi * progress))

Отримайте консультацію нашого інженера, щоб обговорити ваше завдання та можливу архітектуру.

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.