Краткое содержание

arXiv:2511.12951v1 Тип: новая статья Аннотация: Финансовые рынки по своей природе нестабильны и подвержены внезапным потрясениям, таким как рыночные крахи, флэш-крэши и кризисы ликвидности. Следовательно, точное обнаружение аномалий и ранний прогноз рисков в финансовых временных рядах крайне важны для предотвращения системной нестабильности и поддержки обоснованных инвестиционных решений. Традиционные модели глубокого обучения, такие как LSTM и GRU, часто не способны улавливать долгосрочные зависимости и сложные периодические паттерны в сильно нестационарных финансовых данных. Для решения этой проблемы в данном исследовании предлагается гибридный框架 на основе FEDformer для обнаружения аномалий и прогнозирования рисков в финансовых временных рядах, который интегрирует Frequency Enhanced Decomposed Transformer (FEDformer) с детектором аномалий на основе остатков и модулем прогнозирования рисков. Модуль FEDformer моделирует временную динамику как во временной, так и в частотной областях, разлагая сигналы на трендовую и сезонную компоненты для повышения интерпретируемости.