Механізми уваги в глибоких нейронних мережах для прогнозування короткострокової волатильності фінансових ринків

Abstract

Досліджено застосування механізмів уваги в глибоких нейронних мережах для прогнозування короткострокової волатильності на фінансових ринках. Запропоновано гібридну архітектуру, що поєднує шари LSTM з багатоголовою увагою, що дозволяє моделі динамічно ідентифікувати та зважувати відповідні історичні закономірності на основі поточних ринкових умов. Механізм уваги забезпечує інтерпретованість, виділяючи, які минулі періоди часу найбільше впливають на прогнози волатильності. Експериментальна оцінка даних високочастотної торгівлі демонструє покращення точності прогнозування порівняно з традиційними моделями сімейства GARCH, особливо в періоди змін ринкового режиму. The application of attention mechanisms in deep neural networks to forecast short-term volatility in financial markets is investigated. A hybrid architecture is proposed that creates LSTM layers with multi-head weighting, which allows the model to dynamically identify and weight relevant historical patterns based on current market conditions. The attention mechanism provides interpretability by highlighting which past time periods have the greatest impact on volatility forecasts. Experimental evaluation of high-frequency trading data demonstrates an increase in forecasting accuracy according to traditional GARCH family models, especially during periods of market regime change.