В МГУ им. М.В. Ломоносова объединили нейросеть с методами нечеткой логики, что позволило работать с неопределенностью при прогнозировании финансовых временных рядов.

Исследователи использовали нечеткую логику на двух этапах. На этапе предварительной обработки исходные финансовые данные преобразовывались в нечеткое представление, где значение рассматривались не только как точное число, но и как элемент некоторого нечеткого множества с определенной степенью принадлежности.

Внутри самой нейросети были изменены функции активации, которые рассматривались как функции принадлежности нечетких множеств. Благодаря этому сеть одновременно учитывала временные зависимости и работала с неопределенностью в данных.

Такой подход помогает снижать чувствительность модели к шуму и улучшать качество прогноза по сравнению с базовой архитектурой

Для проверки были проведены вычислительные эксперименты на финансовых данных. Эксперименты показали, что предложенная архитектура повышает точность прогнозирования по сравнению с базовой моделью. Для минутных данных точность выросла примерно в 1,3 раза, для часовых — в 1,7 раза, для дневных — в 1,5 раза. При этом обучение модели требует больше времени из-за дополнительных параметров.

В марте 2026 года «Сбер» представил инструмент для оценки долгосрочных прогнозов ИИ-моделей, в том числе в сферах финансов, E-commerce и медицины.