Как комбинировать нейросети для прогноза цен: таблица методов, веса и голосование

Ансамбль — это комбинация двух или более моделей машинного обучения, каждая из которых даёт свой прогноз, а затем их результаты объединяются через голосование, усреднение или взвешивание. В инвестировании ансамбль снижает вероятность систематической ошибки одной модели: например, одна модель переобучена на медвежьих трендах, другая ловит раскрытие новостей лучше. Риск: высокая корреляция между моделями (например, все обучены на одном источнике данных) нейтрализует преимущество ансамбля.

Простой подход: равные веса для всех моделей (1/N каждой). Продвинутый: веса по историческому качеству предсказаний на валидационном наборе. Например, модель, которая давала MAE=0,8% на истории, получает вес 0,4; модель с MAE=1,2% — вес 0,3. Нюанс: веса нужно пересчитывать ежемесячно, иначе устаревают под новые рыночные условия.

Оптимум — 3–5 разнообразных моделей. Одна модель даёт высокий риск ошибки, две могут быть случайно скоррелированы, пять начинают конкурировать (дороже, медленнее), не давая существенного прироста точности. Выбирай модели разных архитектур: одна трансформер (ChatGPT), одна рекуррентная (если есть доступ), одна tree-based (например, XGBoost). Риск: если все пять моделей ошибаются на неожиданном событии (например, геополитический шок), ансамбль не спасает.

Мажоритарное голосование (кто громче — покупать/продавать) просто и понятно, но теряет информацию о силе сигнала. Взвешенное (вероятность покупки = 0,4×P₁ + 0,35×P₂ + 0,25×P₃) более точное и позволяет отловить ситуации, когда модели не согласны. Практика: начни со взвешенного на исторических весах, сравни ROI с мажоритарным на OOS-тесте.

Раздели исторические данные на train/val/test. На train+val обучи ансамбль и каждую модель отдельно. На test (данные, которые модели не видели) сравни метрики: Accuracy, F1, Sharpe ratio (если торговать) или MAE (если предсказывать цену). Ансамбль должен побить best single model. Нюанс: если разница в пределах noise (например, 51% vs 49% accuracy), ансамбль не даёт реального преимущества.

Никогда не считай веса на том же наборе, на котором оцениваешь качество. Используй 3-fold cross-validation: раздели данные на 3 части, обучи ансамбль на 2/3, оцени на 1/3, повторай 3 раза, усредни результаты. Берегись lookahead bias: если вес модели считаешь на том же дне, на котором делаешь прогноз, это утечка будущей информации. Практика: считай веса раз в месяц на данных за прошлый месяц, применяй на текущий месяц.

Подписка OpenAI Pro (ChatGPT) ~$20/мес, Claude Pro (Anthropic) ~$20/мес, Google Gemini Pro бесплатен в лимите. Локальные модели (Llama через Hugging Face) бесплатны, но требуют GPU. Итого: $30–50/мес для малого объёма прогнозов (10–20 в день).