целью работы является системный анализ методов построения СППР в условиях нестационарных временных рядов — выявление их ограничений и определение направлений совершенствования архитектур. Задачами исследования являются: анализ природы нестационарности и её влияния на качество алгоритмов принятия решений; классификация методов обработки информации при изменяющихся параметрах данных; сравнительный анализ статических, адаптивных и робастных подходов; обоснование необходимости разработки гибридных архитектур СППР, интегрирующих адаптацию, робастификацию и глубокое обучение. Методологическую основу работы составляют системный и сравнительный анализ информационных систем. В результате исследования установлено, что статические алгоритмы генерируют сигналы с запаздыванием 10-15 тактов и долей ошибок около 60-70% при высокой дисперсии данных. Выявлено отсутствие работ, интегрирующих адаптивную предобработку с рекуррентными сетями в единой архитектуре СППР. Научная новизна состоит в разработке трехуровневой классификации методов построения СППР и первом количественном сравнительном анализе статических, адаптивных, робастных и гибридных архитектур на основе метаанализа. Проведён анализ природы нестационарности данных, включая эффекты стохастического хаоса и кластеризации волатильности, определяющие границы применимости адаптивных и нейросетевых методов. Формализован научный пробел — отсутствие интеграции динамической адаптации предобработки с LSTM в единой архитектуре. Определены принципы проектирования гибридных СППР: динамическая адаптация параметров, робастификация базовых алгоритмов, иерархическая интеграция экспертных знаний и глубокого обучения, вероятностная интерпретация выходных сигналов.
системы поддержки принятия решений, нестационарные временные ряды, адаптивные системы, системный ана-лиз, архитектура информационных систем, методы принятия решений, глубокое обучение, экспериментальное ис-следование.
1. Миркин Я. М. Рынок ценных бумаг: воздействие фундаментальных факторов, прогнозирование и политика развития. Москва: Альпина Паблишер, 2020. 624 с.
2. Мерфи Дж. Технический анализ фьючерсных рынков: теория и практика / пер. с англ. Москва: Диаграмма, 2020. 592 с.
3. Элдер А. Как играть и выигрывать на бирже: психология, технический анализ, контроль над капиталом / пер. с англ. 7-е изд. Москва: Альпина Паблишер, 2022. 488 с.
4. Айвазян С. А., Мхитарян В. С. Прикладная статистика. Основы эконометрики: учеб. для вузов. 2-е изд. Москва: ЮНИТИ-ДАНА, 2021. 656 с.
5. Берзон Н. И., Буянова Е. А., Газман В. Д. Рынок ценных бумаг: учеб. для бакалавров. Москва: Юрайт, 2019. 443 с.
6. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. 2-е изд. Москва: ДМК Пресс, 2018. 652 с.
7. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд. Москва: Горячая линия-Телеком, 2021. 382 с.
8. Колби Р., Мейерс Т. Энциклопедия технических индикаторов рынка / пер. с англ. 3-е изд. Москва: Альпина Паблишер, 2020. 852 с.
9. Найман Э. Л. Малая энциклопедия трейдера. 12-е изд. Москва: Альпина Паблишер, 2020. 456 с.
10. Park C.-H., Irwin S. H. What do we know about the profitability of technical analysis? // Journal of Economic Surveys. 2007. Vol. 21. No. 4. P. 786–826. DOI:https://doi.org/10.1111/j.1467-6419.2007.00519.x
11. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение: учеб. пособие. Санкт-Петербург: Питер, 2018. 480 с.
12. 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:https://doi.org/10.1016/j.ejor.2017.11.054
13. Bollerslev T. Generalized autoregressive conditional heteroskedasticity // Journal of Econometrics. 1986. Vol. 31. No. 3. P. 307–327. DOI:https://doi.org/10.1016/0304-4076(86)90063-1
14. Поляк Б. Т., Щербаков П. С. Робастная устойчивость и управление. Москва: Наука, 2002. 303 с.
15. Huber P. J., Ronchetti E. M. Robust Statistics. 2nd ed. Hoboken: John Wiley & Sons, 2009. 380 p. DOI:https://doi.org/10.1002/9780470434697
