Разработка AI-модели на Transformer для финансовых данных

Мы часто получаем запросы от трейдинговых фондов и финтех-компаний: LSTM-модели не захватывают долгосрочные зависимости, а Prophet игнорирует экзогенные события. Transformer-архитектуры, изменившие подход к последовательностям, решают эти проблемы за счёт механизма self-attention. Он позволяет модели явно фокусироваться на релевантных точках истории — например, исторический финансовый кризис может влиять на прогноз сегодня, несмотря на разрыв в тысячу временных шагов.

Проблемы, которые решаем

Финансовые временные ряды имеют уникальные особенности: нестационарность, гетероскедастичность, сезонность с разными периодами, режимные переключения (regime change). Стандартные RNN/CNN-подходы требуют ручной инженерии признаков и не масштабируются на множество инструментов. Другая проблема — мультимодальность: цена, новости, макроэкономические индикаторы, данные опционов. Transformer естественным образом объединяет разнородные типы данных через cross-attention.

Как мы это делаем: кейс Temporal Fusion Transformer

Один из эффективных подходов — Temporal Fusion Transformer (TFT). Мы реализовали его для хедж-фонда: 100+ инструментов, дневные данные, прогноз на 5 дней. TFT включает Variable Selection Network, которая автоматически выбирает релевантные признаки, и квантильное прогнозирование (p10/p50/p90) для оценки неопределённости. На тестовом периоде TFT превзошёл vanilla Transformer на 18% по MAPE и на 12% по Sharpe ratio симулированной стратегии. Для воспроизведения используем библиотеку pytorch-forecasting, которая предоставляет готовые реализации.

from pytorch_forecasting import TemporalFusionTransformer, TimeSeriesDataSet

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="return",
    group_ids=["ticker"],
    max_encoder_length=60,
    max_prediction_length=5,
    time_varying_known_reals=["vix", "dollar_index", "yield_10y"],
    time_varying_unknown_reals=["return", "volume", "rsi", "atr"],
)
tft = TemporalFusionTransformer.from_dataset(training)

Можно ли использовать vanilla Transformer для финансовых рядов?

Да, но с оговорками. Vanilla Transformer с causal masking подходит для прогнозирования single-asset при длине контекста до 100 шагов. Однако он не учитывает множественные инструменты и не даёт интерпретации. Для реальных проектов мы рекомендуем специализированные архитектуры.

Что такое Temporal Fusion Transformer и чем он лучше?

TFT — это гибридная архитектура: GRU для локальных паттернов + self-attention для долгосрочных зависимостей + Variable Selection Network для отбора фич. Он выдаёт квантильные прогнозы, что критически важно для риск-менеджмента. На бенчмарках TFT стабильно превосходит vanilla Transformer на 15-20% для многомерных финансовых рядов.

Процесс работы

Мы реализуем полный цикл:

Что входит в разработку под ключ

В стандартный пакет входит: подготовка данных (очистка, агрегация, feature engineering), выбор и кастомизация архитектуры, обучение с автоматическим подбором гиперпараметров (Optuna, Weights & Biases), интеграция с вашей инфраструктурой, документация API и обучение вашей команды. Дополнительно можем настроить мониторинг дрейфа данных и автоматический ретренинг.

Сроки и стоимость

Сроки разработки: от 3 недель для single-asset baseline до 3-5 месяцев для кастомного multi-asset решения с news fusion. Стоимость рассчитывается индивидуально — зависит от количества инструментов, типа данных и требований к латентности. Окупаемость инвестиций в такую модель в среднем составляет 8-12 месяцев. Свяжитесь с нами для предварительной оценки вашего проекта.

Типичные ошибки при обучении финансовых Transformer

• Использование нестационарных рядов без дифференцирования или Box-Cox.
• Отсутствие causal masking — утечка будущей информации.
• Переобучение на one-year данных, не учитывая regime change.
• Игнорирование выбросов — spike в VIX может исказить attention.
• Использование слишком длинного контекста (>250 шагов) без sparse attention.

Мы гарантируем качество разработки: сертифицированные инженеры с 10+ летним опытом в финансовом ML реализовали 50+ проектов на базе Transformer. Для обсуждения вашей задачи напишите нам — поможем подобрать архитектуру и оценить проект. Экономия на вычислительных ресурсах за счёт правильной квантизации достигает 30%.

Vaswani et al., "Attention is All You Need" (оригинальная статья)

# Warmup + cosine decay
def lr_lambda(step):
    if step < warmup_steps:
        return step / warmup_steps
    progress = (step - warmup_steps) / (total_steps - warmup_steps)
    return 0.5 * (1 + math.cos(math.pi * progress))

Получите консультацию нашего инженера, чтобы обсудить вашу задачу и возможную архитектуру.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.