В данной статье представлено исследование применения генеративных нейросетей для прогнозирования рыночных трендов и управления портфелями активов, выполненное по структуре IMRAD. В разделе «Введение» обосновывается актуальность использования искусственного интеллекта в финансовом моделировании. Рост объемов рыночных данных и сложность их анализа требуют применения современных алгоритмов, способных выявлять скрытые закономерности и предсказывать тренды. Обоснована необходимость перехода от традиционных методов анализа к моделям, основанным на генеративных нейросетях, которые демонстрируют потенциал в работе с неструктурированными данными и могут обеспечивать высокую точность прогнозов. В разделе «Методы» изложена архитектура разработанной модели, основанной на вариантивных автоэнкодерах и генеративных состязательных сетях (GAN). Описаны этапы предобработки данных, формирования обучающих выборок и настройки гиперпараметров модели. Приводятся сравнительные характеристики алгоритмов на основе метрик качества прогнозирования, таких как точность, полнота и коэффициент Шарпа для оценки эффективности управления портфелем активов. В исследовании использовались данные, полученные с нескольких фондовых бирж за последние десять лет, что позволило реализовать масштабное тестирование модели. Раздел «Результаты» демонстрирует, что предложенный подход позволяет значительно повысить качество прогнозирования рыночных трендов по сравнению с классическими методами. Анализ показал, что генеративные нейросети способны выявлять долгосрочные зависимости, что положительно сказывается на оптимизации структуры портфеля активов. Улучшение показателей риска и доходности подтверждается статистическими тестами, а модель демонстрирует стабильную работу в условиях изменчивости рыночной конъюнктуры. Раздел «Обсуждение» анализирует сильные и слабые стороны метода. Обсуждаются перспективы интеграции алгоритмов в системы автоматизированного управления активами, а также выявляются потенциальные ограничения, связанные с интерпретируемостью результатов нейросетевого анализа. Итогом исследования является вывод о высокой эффективности генеративных нейросетей в прогнозировании и управлении инвестиционными портфелями, что открывает новые возможности для применения искусственного интеллекта в финансовых рынках.
This article presents a study of the use of generative neural networks for predicting market trends and managing asset portfolios, performed according to the IMRAD structure. The Introduction section substantiates the relevance of using artificial intelligence in financial modeling. The growing volume of market data and the complexity of its analysis require the use of modern algorithms capable of identifying hidden patterns and predicting trends. The necessity of transition from traditional methods of analysis to models based on generative neural networks, which demonstrate potential in working with unstructured data and can provide high accuracy of forecasts, is substantiated. The Methods section describes the architecture of the developed model based on variant autoencoders and generative adversarial networks (GANS). The stages of data preprocessing, forming training samples, and configuring the hyperparameters of the model are described. Comparative characteristics of algorithms based on forecasting quality metrics such as accuracy, completeness, and the Sharpe coefficient for evaluating the effectiveness of asset portfolio management are presented. The study used data obtained from several stock exchanges over the past ten years, which allowed for large-scale testing of the model. The "Results" section demonstrates that the proposed approach makes it possible to significantly improve the quality of forecasting market trends compared to classical methods. The analysis showed that generative neural networks are able to identify long-term dependencies, which has a positive effect on optimizing the structure of the asset portfolio. The improvement in risk and profitability indicators is confirmed by statistical tests, and the model demonstrates stable performance in a volatile market environment. The Discussion section analyzes the strengths and weaknesses of the method. The prospects for integrating algorithms into automated asset management systems are discussed, and potential limitations related to the interpretability of neural network analysis results are identified. The result of the study is the conclusion about the high efficiency of generative neural networks in forecasting and managing investment portfolios, which opens up new opportunities for the use of artificial intelligence in financial markets.