Цель исследования. Существующие подходы к прогнозированию динамики финансовых рынков, как правило, сводятся к использованию аппарата эконометрического исчисления или наработкам технического анализа, что, в свою очередь, является следствием предпочтения данных подходов в среде специалистов, занимающихся теоретическими исследованиями, и профессиональных участников рынка соответственно. Целью исследования является разработка  прогнозной  экономико-математической модели, позволяющей совмещать в себе оба подхода. Другими словами, данная модель должна являться оцениваемой с помощью традиционных методов эконометрики и при этом учитывать воздействие на процесс ценообразования эффекта от кластеризации участников  по поведенческим закономерностям, как основы технического анализа. Помимо этого является необходимым, чтобы создаваемая экономико-математическая модель учитывала явление существования исторических торговых уровней и контролировала оказываемое ими влияние на динамику цены, при ее нахождении в локальных областях данных уровней. Подобный анализ закономерностей поведения цены в окрестностях исторических повторяющихся уровней является популярным подходом в среде профессиональных участников рынка. Также немаловажным критерием потенциальной применимости разрабатываемой модели широким кругом заинтересованных специалистов, является простота ее общей функциональной формы и, в частности, конкретных используемых компонент.

Материалы и методы. В проведенном исследовании в качестве рассматриваемого финансового ряда, в целях его прогнозирования, был выбран рынок обменного курса фунта стерлингов к доллару США (GBPUSD) за период всего 2017 года. Представленная экономико-математическая модель была оценена с помощью классического фильтра Калмана со встроенной нейронной сетью. Выбор данных инструментов оценивания объясняется их широкими возможностями при работе с нестационарными зашумленными временными рядами финансового рынка. Также использование фильтра Калмана является популярным при оценке моделей локального уровня, принцип которых был реализован в новой предложенной в работе модели.

Результаты. С помощью выбранного подхода по одновременному использованию калмановской фильтрации и искусственной нейронной сети была получена статистически значимая оценка всех коэффициентов модели. Последующее ее применение на данных ряда GBPUSD из тестового множества позволило продемонстрировать ее высокие прогнозные способности по сравнению с дополнительно рассмотренной моделью случайного блуждания, в особенности с точки зрения процента верных направлений прогноза. Полученные результаты свидетельствуют о том, что построенная модель позволяет эффективно учитывать структурные особенности рассматриваемого рынка и строить неплохие прогнозы будущего движения цены.

Заключение. Проведенное исследование направлено на развитие и совершенствование аппарата прогнозирования движения цен на финансовых рынках. В свою очередь, представленная в работе экономико-математическая модель может быть использована как специалистами при проведении теоретических исследований процесса ценообразования на финансовых рынках, так и профессиональными участниками рынка для прогнозирования направления будущего движения цен. Высокий процент правильных направлений прогноза позволяет использовать предложенную модель как самостоятельно, так и в рамках подтверждающего инструмента.