Покращена модель регуляризації ELASTIC NET для обробки фінансових часових рядів

Abstract

У статті запропоновано модифікацію Elastic Net-регресії для короткострокового прогнозування фінансових часових рядів шляхом введення гаусівського затухання ваг (Gaussian decay). Новий підхід спрямований на згладжування різких «стрибків» між останнім історичним і першим прогнозним значеннями, характерних для стандартної регуляризації. Для оцінки ефективності було формально виписано Elastic Net з чотирма схемами затухання ваг (без затухання, лінійне, експоненційне, гаусівське) та проведено емпіричні експерименти на даних індексів S&P 500, Dow Jones Industrial Average і Nasdaq Composite за 2020–2025 рр. Результати продемонстрували, що Gaussian decay мінімізує перехідний розрив і забезпечує найнижчі значення RMSE і Deviation для S&P 500 і Nasdaq, тоді як для Dow Jones оптимальною виявилася експоненційна схема.

This paper proposes a modification of Elastic Net regression for short-term forecasting of financial time series by introducing Gaussian weight decay. The new approach is designed to smooth the abrupt “jumps” between the last historical observation and the first forecast—an issue typical of standard regularization. To assess its effectiveness, we formally derive the Elastic Net model with four weighting schemes (no decay, linear, exponential, and Gaussian) and conduct empirical experiments on the S&P 500, Dow Jones Industrial Average, and Nasdaq Composite indices over the period 2020–2025. The results demonstrate that Gaussian decay minimizes the transition gap and achieves the lowest RMSE and Deviation for the S&P 500 and Nasdaq Composite, as exponential decay proves optimal for the Dow Jones Industrial Average.