Повышение точности прогнозирования цен на фондовом рынке с помощью анализа тональности на основе FinGPT, технических индикаторов, исторических данных о ценах и гибридных моделей глубокого обучения с механизмом внимания

Точное прогнозирование цен на акции все в большей степени зависит от моделей, способных интегрировать разнородные рыночные сигналы, выходящие за рамки традиционных количественных индикаторов. Классические инструменты анализа тональности и методы на основе словарей часто не позволяют учитывать контекстные и предметно-специфические особенности финансового языка, что ограничивает их прогностический вклад. Для устранения этих ограничений в настоящем исследовании предлагается мультимодальная прогностическая система, использующая FinGPT — усовершенствованную большую языковую модель для финансовой сферы, специально обученную пониманию текстов, связанных с рынком. FinGPT применяется для извлечения высокоточных оценок полярности тональности из данных Twitter, заменяя традиционные модели анализа тональности и обеспечивая более надежное представление психологии инвесторов. Эти признаки тональности объединяются с историческими ценами акций и техническими индикаторами, формируя комплексное входное пространство. Интегрированный набор данных используется для оценки четырех архитектур глубокого обучения: CNN, LSTM, LSTM с механизмом внимания (ALSTM) и недавно предложенной гибридной модели ALSTM-CNN с механизмом внимания. Эксперименты, проведенные на восьми ведущих акциях NASDAQ и NYSE, показывают, что включение тональности, полученной с помощью FinGPT, существенно повышает точность прогнозирования во всех моделях. Гибридная модель стабильно демонстрирует наилучшие результаты, эффективно учитывая как долгосрочные зависимости, так и краткосрочную динамику рынка. Результаты подтверждают, что моделирование тональности на основе FinGPT обладает существенной прогностической ценностью по сравнению с традиционными подходами к анализу тональности, обеспечивая более реалистичное прогнозирование цен на акции с учетом поведения участников рынка. Например, для акций AMD была получена наименьшая среднеквадратичная ошибка (MSE) 46.06 и наибольший коэффициент детерминации R² (0.624), что свидетельствует о превосходной способности модели выявлять нелинейные зависимости и рыночную динамику. В целом предложенная гибридная система с учетом тональности обеспечивает более надежный и реалистичный подход к прогнозированию цен на акции за счет интеграции количественных и качественных рыночных сигналов.