Інтеграція нечіткої логіки в генеративно-змагальну мережу TimeGAN для прогнозування фінансових часових рядів

UKR: Розглянуто проблему фіксованої довжини вікна спостереження у генеративно-змагальній мережі TimeGAN та запропоновано метод її вирішення через інтеграцію нечіткого регулятора параметра k. На відміну від детермінованого підбору гіперпараметрів, нечіткий модуль Φ: S → K = {10,…,60} динамічно адаптує k залежно від поточного ринкового режиму, що характеризується вектором з чотирьох індикаторів: риночної волатильності, нормованого нахилу лінійної регресії, нормованого обсягу торгів відносно ковзного середнього та волатильності сентименту новин. Описано архітектурні зміни у функції вбудовування TimeGAN, необхідні для інтеграції змінного вікна, та підтверджено ефективність підходу на двох активах (S&P 500, AAPL) за 2019–2025 р. MAE знизився на 16,4% для S&P 500 та на 12,9% для AAPL порівняно з базовим TimeGAN при фіксованому k.

ENG: The problem of a fixed observation window length in the TimeGAN generative adversarial network is examined, and a method for resolving it through the integration of a fuzzy controller for parameter k is proposed. Unlike deterministic hyperparameter tuning, the fuzzy module Φ: S → K = {10,…,60} dynamically adapts k according to the current market regime, characterized by a vector of four indicators: market volatility, the normalized slope of a linear regression, the normalized trading volume relative to the moving average, and news sentiment volatility. The architectural modifications to the TimeGAN embedding function required for variable window integration are described, and the effectiveness of the approach is confirmed on two assets (S&P 500, AAPL) over the period 2019–2025: MAE decreased by 16,4% for S&P 500 and by 12,9% for AAPL compared to the baseline TimeGAN with fixed k.