FUNDAMENTALS OF NEURAL NETWORK TIME SERIES FORECASTING
Статья поступила в редакцию: 16.06.2026
Статья принята к публикации: 17.07.2026
Статья опубликована: 18.08.2026
Keywords:
financial time series, return forecasting, neural networks, CNN-LSTM, deep learning, volatility.Abstract
Unlike traditional statistical models, neural network architectures are capable of automatically extracting complex features from time series and approximating nonlinear functional relationships between variables.In recent years, such methods have been actively used in financial time series forecasting.Of particular interest are hybrid architectures that combine different types of neural network models.In particular, the combination of convolutional neural networks (CNN) and long-short-term memory (LSTM) recurrent architectures allows for simultaneous consideration of local patterns in time series dynamics and long-term relationships between observations.This article summarizes information on neural network time series forecasting and identifies vectors for improving its effectiveness.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Финансовый менеджмент». Все права защищены. Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU www.elibrary.ru/contents.asp?titleid=9552 . Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) . Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
References
Yao W. Emerging Bond Markets: Growth Trajectories and Persistent Challenges // Advances in Economics, Management and Political Sciences. 2025. Vol. 228. No. 1. P. 6-12. DOI: 10.54254/2754-1169/2025.gl28162 EDN: PYNUGE.
Yahoo Finance's New Public API: Market Data Access for Everyone // Yahoo Finance News. [Электронный ресурс]. URL: https://www.yahooinc.com/news/yahoo-finances-new-public-api-market-data-access-for-everyone/(дата обращения: 11.07.2026).
Кравец А.Г., Нгуен Т.В. Прогнозирование технологических тенденций на основе анализа разнородных данных // Программные продукты и системы. 2022. № 3. С. 396-412. DOI: 10.15827/0236-235X.139.396-412 EDN: LCARBO.
Автокорреляция // Loginom: документация. [Электронный ресурс]. URL: https://help.loginom.ru/userguide/processors/scrutiny/autocorrelation.html (дата обращения: 09.07.2026).
Кагарманов И.А. Модели случайных блужданий и их роль в теории вероятностей // Современные научные исследования и инновации. 2024. № 12 (164). EDN: RHCHTG.
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. EDN: BIZIGJ.
Vatsa A., Hati A.Sh., Bolshev V.E., Vinogradov A.V., Panchenko V.A., Chakrabarti P. Deep Learning-Based Transformer Moisture Diagnostics Using Long Short-Term Memory Networks // Energies. 2023. Vol. 16. No. 5. DOI: 10.3390/en16052382 EDN: LPIXSY.
Ulitzsch E., He Q., Pohl S. Innovations in Exploring Sequential Process Data // Zeitschrift für Psychologie. 2024. Vol. 232. No. 2. P. 71-73. DOI: 10.1027/2151-2604/a000560 EDN: EZAAGG.
Платонова А.И., Попов В.С. Сравнение точности моделей прогнозирования временных рядов: ARIMA, PROPHET, LSTM и GRU // Современные инновации, системы и технологии. 2025. Т. 5. № 2. С. 3061-3070. DOI: 10.47813/2782-2818-2025-5-2-3061-3070 EDN: LDSMFM.
Yadav K., Yadav M., Saini S. Stock Values Predictions Using Deep Learning Based Hybrid Models // CAAI Transactions on Intelligence Technology. 2022. Vol. 7. No. 1. P. 107-116. DOI: 10.1049/cit2.12052 EDN: IIHSAV.
