Modeling of systems and processes Modeling of systems and processes Моделирование систем и процессов 2219-0767 120350 10.12737/2219-0767-2026-19-1-119-125 Технические науки Технические науки The method and architecture of an adaptive decision support system based on hybrid forecasting Метод и архитектура адаптивной системы поддержки принятия решений на основе гибридного прогнозирования Хвалько Денис Тимурович Khvalko Denis Timurovich dkhvalko@ya.ru Московский университет им. С.Ю.Витте Москва Россия Moscow Witte University Moscow Russian Federation 24 04 2026 24 04 2026 19 1 119 125 08 04 2026 https://zh-szf.ru/en/nauka/article/120350/view

В статье рассматривается проблема поддержки принятия решений на финансовых рынках в условиях нестационарности и высокой волатильности, характерной для российского рынка в период повышенной макроэкономической неопределенности 2022–2024 годов. Традиционные подходы на основе технического анализа с фиксированными параметрами теряют эффективность при резких сменах рыночных режимов. Предложен метод динамической адаптации периодов расчета технических индикаторов на основе степенной зависимости от текущей волатильности рынка, обеспечивающий нелинейную реакцию системы на изменение рыночных условий. Разработана архитектура гибридной модели LSTM-TI-Adaptive, интегрирующей 33 входных признака (28 адаптивных технических индикаторов и 5 базовых признаков OHLCV) с двухслойной рекуррентной нейронной сетью LSTM. Предложенный метод обеспечивает автоматическую настройку параметров всех классов индикаторов — трендовых, осцилляторов, индикаторов объема и волатильности — на основе единого адаптационного механизма без ручного вмешательства. Работоспособность предложенного метода подтверждена экспериментальным тестированием на 28 финансовых инструментах российского, американского и криптовалютного рынков за период 2015--2024 годов: адаптивная архитектура обеспечивает прирост среднегодовой доходности на 4,2 процентных пункта и снижение максимальной просадки на 3,1 процентных пункта по сравнению с системой на фиксированных параметрах, что подтверждает практическую значимость разработанного метода адаптации.

The article considers the problem of decision support in financial markets under conditions of non-stationarity and high volatility, typical for the Russian market during the period of increased macroeconomic uncertainty in 2022–2024. Traditional approaches based on technical analysis with fixed parameters lose effectiveness during abrupt changes in market regimes. A method for dynamically adapting the calculation periods of technical indicators based on a power-law dependence on current market volatility is proposed, ensuring a nonlinear response of the system to changing market conditions. The architecture of the hybrid LSTM-TI-Adaptive model is developed, integrating 33 input features (28 adaptive technical indicators and 5 basic OHLCV features) with a two-layer LSTM recurrent neural network. The proposed method automatically configures the parameters of all indicator classes—trend indicators, oscillators, volume indicators, and volatility indicators—based on a single adaptation mechanism, eliminating manual intervention. The proposed method's effectiveness has been confirmed by experimental testing on 28 financial instruments from the Russian, American, and cryptocurrency markets for the period 2015–2024: the adaptive architecture provides a 4.2 percentage point increase in average annual returns and a 3.1 percentage point decrease in maximum drawdown compared to a system with fixed parameters, confirming the practical significance of the developed adaptation method.

 системы поддержки принятия решений нестационарные временные ряды адаптивные системы системный анализ архитектура информационных систем методы принятия решений глубокое обучение экспериментальное исследование decision support systems non-stationary time series adaptive systems system analysis architecture of information systems decision-making methods deep learning experimental research

Opiola M., Souza M.H., Souza M., de Nuccio E. The role of artificial intelligence for management decision-making: a structured literature review // Management Decision. 2023. Vol. 61. No. 13. P. 1–29. Opiola M., Souza M.H., Souza M., de Nuccio E. The role of artificial intelligence for management decision-making: a structured literature review // Management Decision. 2023. Vol. 61. No. 13. P. 1–29. Power D.J., Sharda R., Burstein F. Decision Support Systems // Wiley Encyclopedia of Management. 2015. Vol. 7. P. 1–4. DOI: 10.1002/9781118785317.weom070211 Power D.J., Sharda R., Burstein F. Decision Support Systems // Wiley Encyclopedia of Management. 2015. Vol. 7. P. 1–4. DOI: 10.1002/9781118785317.weom070211 Мерфи Дж. Технический анализ фьючерсных рынков: теория и практика / пер. с англ. М.: Диаграмма, 2020. 592 с. Murphy J. Technical Analysis of Futures Markets: Theory and Practice / translated from English. Moscow: Diagramma, 2020. 592 p. Глебова А.Г., Ковалева А.А. Прогнозирование волатильности российского биржевого рынка акций в условиях международных экономических санкций // Финансы: теория и практика. 2024. Т. 28. № 1. С. 20–29. DOI: 10.26794/2587-5671-2024-28-1-20-29 Glebova A.G., Kovaleva A.A. Forecasting Volatility of the Russian Stock Market under International Economic Sanctions // Finance: Theory and Practice. 2024. Vol. 28. No. 1. Pp. 20–29. DOI: 10.26794/2587-5671-2024-28-1-20-29 Vortelinos D.I. Forecasting realized volatility: HAR against principal components combining, neural networks and GARCH // Research in International Business and Finance. 2017. Vol. 39. P. 824–839. DOI: 10.1016/j.ribaf.2015.01.004 Vortelinos D.I. Forecasting Realized Volatility: HAR vs. Principal Components Combining, Neural Networks, and GARCH // Research in International Business and Finance. 2017. Vol. 39. Pp. 824–839. DOI: 10.1016/j.ribaf.2015.01.004 Видмант О. С. Прогнозирование финансовых временных рядов с использованием рекуррентных нейронных сетей LSTM // Общество: политика, экономика, право. 2018. № 5. С. 63–66. Vidmant O.S. Forecasting Financial Time Series Using LSTM Recurrent Neural Networks // Society: Politics, Economics, Law. 2018. No. 5. Pp. 63–66. Алжеев А.В., Кочкаров Р.А. Сравнительный анализ прогнозных моделей ARIMA и LSTM на примере акций российских компаний // Финансы: теория и практика. 2020. Т. 24. № 1. С. 14–23. DOI: 10.26794/2587-5671-2020-24-1-14-23 Alzheev A.V., Kochkarov R.A. Comparative Analysis of ARIMA and LSTM Forecasting Models Using Russian Company Stocks as an Example // Finance: Theory and Practice. 2020. Vol. 24. No. 1. Pp. 14–23. DOI: 10.26794/2587-5671-2020-24-1-14-23 Савин С.В., Мурзин А.Д. Системы поддержки принятия решений на базе искусственного интеллекта: интеграция, адаптация и оценка эффективности // Экономика и управление. 2024. Т. 30. № 12. С. 1521–1534. Savin S.V., Murzin A.D. Decision Support Systems Based on Artificial Intelligence: Integration, Adaptation, and Performance Assessment // Economics and Management. 2024. Vol. 30. No. 12. Pp. 1521–1534. Borovykh A., Bohte S., Oosterlee C.W. Conditional time series forecasting with convolutional neural networks // Expert Systems with Applications. 2022. Vol. 186. Article 115742. Borovykh A., Bohte S., Oosterlee C.W. Conditional time series forecasting with convolutional neural networks // Expert Systems with Applications. 2022. Vol. 186. Article 115742. Livieris I.E., Kiriakidou N., Stavroyiannis S., Pintelas P. An advanced deep learning model for short-term forecasting US natural gas price and movement // Energy. 2024. Vol. 257. Livieris I.E., Kiriakidou N., Stavroyiannis S., Pintelas P. An advanced deep learning model for short-term forecasting US natural gas price and movement // Energy. 2024. Vol. 257. Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. 2020. Vol. 90. Article 106181. DOI: 10.1016/j.asoc.2020.106181 Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. 2020. Vol. 90. Article 106181. DOI: 10.1016/j.asoc.2020.106181 Jiang W. Applications of deep learning in stock market prediction: Recent progress // Expert Systems with Applications. 2021. Vol. 184. Article 115537. DOI: 10.1016/j.eswa.2021.115537 Jiang W. Applications of deep learning in stock market prediction: Recent progress // Expert Systems with Applications. 2021. Vol. 184. Article 115537. DOI: 10.1016/j.eswa.2021.115537 Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. 2018. Vol. 270. No. 2. P. 654–669. DOI: 10.1016/j.ejor.2017.11.054 Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. 2018. Vol. 270. No. 2. P. 654–669. DOI: 10.1016/j.ejor.2017.11.054 Lim B., Arik S.O., Loeff N., Pfister T. Temporal fusion transformers for interpretable multi-horizon time series forecasting // International Journal of Forecasting. 2021. Vol. 37. No. 4. P. 1748–1764. DOI: 10.1016/j.ijforecast.2021.03.012 Lim B., Arik S.O., Loeff N., Pfister T. Temporal fusion transformers for interpretable multi-horizon time series forecasting // International Journal of Forecasting. 2021. Vol. 37.No. 4. P. 1748–1764. DOI: 10.1016/j.ijforecast.2021.03.012 Nabipour M., Nayyeri P., Jabani H., Mosavi A., Salwana E. Deep learning for stock market prediction // Entropy. 2020. Vol. 22. No. 8. Article 840. DOI: 10.3390/e22080840 Nabipour M., Nayyeri P., Jabani H., Mosavi A., Salwana E. Deep learning for stock market prediction // Entropy. 2020. Vol. 22.No. 8. Article 840. DOI: 10.3390/e22080840