Калибровка весов нейросети в прогнозировании временных рядов

Прогнозирование многомерных временных рядов в реальном времени требует высокой скорости адаптации предсказательных моделей. Использование классических рекуррентных нейросетей (LSTM и GRU) сталкивается с проблемой высокой зашумленности входных данных. В условиях, когда большая часть сигнала представляет собой белый шум, стандартное обучение по методу обратного распространения ошибки приводит к быстрому переобучению модели на локальных случайных флуктуациях.

Для решения этой проблемы применяется калибровка выходных вероятностей нейросети с помощью взвешивания по Хессиану и оптимизации стохастического градиентного спуска (AdamW). Вместо прямой минимизации среднеквадратичной ошибки (MSE) в качестве целевой функции потерь интегрируется взвешенный логарифмический лосс (Weighted Log-Loss) с учетом априорного распределения состояний системы. Это позволяет откалибровать выходы сети так, чтобы они соответствовали реальной частоте распределения исходов на тестовом наборе.

Практические результаты показывают, что интеграция откалиброванных нейросетевых ядер в контур предиктивной аналитики позволяет снизить долю ложноположительных сигналов на 42%. Система корректно идентифицирует смену режимов волатильности и переводит аналитический терминал в режим консервативной фильтрации при обнаружении аномальных фазовых переходов во временном ряду.