УДК 330.43
DOI: 10.36871/ek.up.p.r.2026.05.09.027

Авторы

Филипп Игоревич Сысоев,
Санкт-Петербургский государственный университет аэрокосмического приборостроения, Санкт-Петербург, Россия

Аннотация

Статья посвящена анализу взаимосвязи между нейросетевыми методами прогнозирования фондового рынка и гипотезой информационной эффективности (ГЭР). В работе представлен систематический обзор отечественной литературы по применению рекуррентных (LSTM, GRU), свёрточных и радиально-базисных архитектур для предсказания ценовой динамики, а также критически оценены их преимущества перед традиционными линейными моделями ARIMA и ESTAR. Автор выявляет концептуальный пробел в современных исследованиях, указывая на изолированность прикладных разработок от фундаментальной теории. Новизна исследования заключается в обосновании тезиса о том, что нейросети, в отличие от классических статистических тестов, обладают более общей доказательной силой. Аргументируется, что стандартные эконометрические инструменты (ADF, KSS) способны лишь фальсифицировать ГЭР при обнаружении аномалий, но не могут окончательно подтвердить её, поскольку ограничены проверкой достаточно узких статистических гипотез. Напротив, нейросетевые модели, благодаря способностью к самообучению и выявлению нелинейных зависимостей любой сложности, могут неограниченно тестировать множество прогнозных конфигураций, выступая потенциальным инструментом верификации эффективности рынка в слабой и средней формах. Таким образом, построение нейросетевых прогнозных моделей имеет непосредственное отношение к проверке рыночной эффективности и является, на взгляд автора, одним из её наиболее логичных и перспективных инструментов.

Ключевые слова

нейросетевые модели, фондовый рынок, гипотеза информационной эффективности, ГЭР

Список литературы

  1. Арсеньев Ф.А. Прогнозирование динамики фондового рынка: исследование эффективности нейросетевых моделей временных рядов // Инженерия. Искусственный интеллект. Хемоинформатика и химическая инженерия: Сборник тезисов XIII Конгресса молодых ученых, Санкт-Петербург, 08–11 апреля 2024 года. – Санкт-Петербург: Национальный исследовательский университет ИТМО, 2024. – С. 122–123.
  2. Артюхов И.А. Использование нейросетей в прогнозировании фондового рынка // Экономика: вчера, сегодня, завтра. – 2024. – Т. 14, № 5-1. – С. 397–403.
  3. Асайын Е.Ж., Барлыбаев А. Методы глубокого обучения в прогнозировании фондового рынка: обзор и будущие направления // Вестник науки. – 2024. – Т. 4, № 11(80). – С. 1068–1079.
  4. Бельников С.С., Борисова О.В. Использование модели KAN для прогнозирования индикаторов фондового рынка // Менеджмент и бизнес-администрирование. – 2025. – № 3. – С. 64–74.
  5. Константинов М.А. Применение нейросетевого моделирования для прогнозирования цен акций на российском фондовом рынке // Цифровая экосистема экономики: сборник статей по итогам IX международной научно-практической онлайн конференции, Ростов-на-Дону, 27 апреля 2022 года. – Ростов-на-Дону: Южный федеральный университет, 2022. – С. 114–117.
  6. Меркулов В.В., Сивко Д.Ю., Дмитриев А.С. Модель прогнозирования фондовых рынков на основе нейронных сетей // Инженерный вестник Дона. – 2023. – № 6(102). – С. 149–159.
  7. Натальсон А.В. Применение алгоритма LSTM для прогнозирования динамики курса акций на фондовом рынке // Экономика и предпринимательство. – 2024. – № 9(170). – С. 1120–1123.
  8. Попов М.В. Обзор эффективности нейронных сетей в прогнозировании фондового рынка // Севергеоэкотех-2024: Материалы XXV Международной молодёжной научной конференции. В 2-х частях, Ухта, 28–29 марта 2024 года. – Ухта: Ухтинский государственный технический университет, 2024. – С. 295–300.
  9. Садыков А.М. Значение моделей искусственных нейронных сетей в прогнозировании фондового рынка // Аллея науки. – 2022. – Т. 1, № 11(74). – С. 1201–1205.
  10. Сергеев В.А. Использование нейросетей в прогнозировании фондового рынка // Азимут научных исследований: экономика и управление. – 2018. – Т. 7, № 4(25). – С. 280–282.
  11. Солдатов А.А. Прогнозирование на фондовом рынке с использованием нейронных сетей // Лучшие научные исследования студентов и учащихся: сборник статей VII Международной научно-практической конференции. В 2 ч., Пенза, 30 мая 2024 года. – Пенза: Наука и Просвещение (ИП Гуляев Г.Ю.), 2024. – С. 77–79.
  12. Стариков Е.Н., Курышева Ю.В. Применение искусственных нейронных сетей для прогнозирования развития фондового рынка // Наукосфера. – 2025. – № 11-2. – С. 36–42.
  13. Сысоев Ф.И. История статистической верификации гипотезы информационной эффективности российского фондового рынка // Восьмой международный экономический симпозиум, посвященный 300-летию Санкт-Петербургского государственного университета: Материалы международных научных конференций, Санкт-Петербург, 11–13 апреля 2024 года. – Санкт-Петербург: ООО «Скифия-принт», 2024. – С. 471–477.
  14. Сысоев Ф.И. Анализ методов тестирования информационной эффективности рынка при помощи тестов на единичный корень // Девятый международный экономический симпозиум, посвященный 85-летию Экономического факультета СПбГУ: Материалы международных научных конференций: XII Международной научно-практической конференции, Международной конференции, XXXI Международной научно-практической конференции, IX Международной научной конференции Соколовские чтения, Международной конференции молодых ученых-экономистов, Санкт-Петербург, 16–20 апреля 2025 года. – Санкт-Петербург: ООО «Скифия-принт», 2025. – С. 296–301.
  15. Сысоев Ф.И. Эконометрические методы проверки информационной эффективности рынка // Социальные и экономические системы. – 2025. – № 11(73). – С. 217–229.
  16. Щетинин Е.Ю. Прогнозирование значений индекса фондового рынка на основе оптимизированных нейронных сетей // Modern Science. – 2019. – № 10-1. – С. 400–405.
  17. Fama E.F. Efficient Capital Markets: A review of Theory and Empirical Work // Journal of Finance. – 1970. – Vol. 25, No. 2. – P. 383–417.
  18. Lawrence R. Using neural networks to forecast stock market prices // University of Manitoba. – 1997. – Т. 333. – P. 2006–2013.
  19. Rong Wang, Enmin Zhou Stock Prediction Based on Optimized LSTM and GRU Models // Scientific Programming. – Volume 2021, Article ID 4055281. – 8 pages.
  20. Samuelson P. Proof That Properly Anticipated Prices Fluctuate Randomly // Industrial Management Review. – 1965. – Vol. 6 (2). – P. 41–49.
  21. Sysoev P.I., Kolesov D.N., Boyukaslan A., Yilmaz C. Comparative Analysis of Verification Methods of Stock Market Information Efficiency: Case of Turkey // A. Gibadullin (Ed.): DITEM 2024. – Springer Nature Switzerland AG, 2025. – LNNS 1422. – P. 190–201.