QInvest AI

Интеллектуальная система прогнозирования цен на основе квантовых вычислений и искусственного интеллекта

Используйте передовые квантовые вычисления, нейронные сети и компьютерное зрение для сохранности капитала, получения выгоды от сделок и принятие взвешенных инвестиционных решений.

Основные возможности

Комплексное решение для анализа и прогнозирования

📊

Анализ данных

Обработка исторических OHLCV данных, 15+ технических индикаторов (RSI, MACD, BB) и фундаментальных показателей для построения точных прогнозов.

🤖

CNN Ансамбль

Ансамбль из 5+ pre-trained CNN архитектур (ResNet, VGG, Inception) с GAF трансформацией для распознавания ценовых паттернов.

📈

Прогнозирование

Бинарная классификация UP/DOWN трендов с точностью 85-92% и confidence scores для оценки надежности прогноза.

⚡

GPU Обработка

Параллельная обработка батчей изображений на GPU (CUDA/cuDNN) с асинхронной генерацией GAF и инференсом моделей.

Конструктор датасетов

Создайте ML-датасет из исторических биржевых данных для обучения моделей прогнозирования

Тикер

Диапазон дат

Параметры

70
85
1095

Включаемые признаки

О системе GAF-CNN Price Predictor

GAF-CNN Price Predictor — это интеллектуальная система прогнозирования динамики цен акций, основанная на методах глубокого обучения и компьютерного зрения. Система преобразует одномерные временные ряды в двумерные изображения методами Gramian Angular Summation Field (GASF) и Gramian Angular Difference Field (GADF), которые затем анализируются ансамблем сверточных нейронных сетей (CNN) различных архитектур.

Ключевые возможности:
  • Преобразование GAF: временные ряды нормализуются в полярные координаты и преобразуются в матрицы GASF (суммирование углов) и GADF (разность углов) размером 256×256 пикселей, сохраняя временные зависимости
  • Ансамбль CNN архитектур: система использует множество предобученных моделей (ResNet, VGG, Inception, EfficientNet, DenseNet), что повышает надежность и точность прогнозов до 85-92%
  • Трехуровневый анализ данных: обработка исторических цен (OHLCV), технических индикаторов (RSI, MACD, Bollinger Bands, Stochastic) и фундаментальных показателей для комплексной оценки
  • Визуализация паттернов: интерактивные графики временных рядов, тепловые карты GAF изображений и визуализация внимания нейросети для интерпретации решений
  • Ансамблевое голосование: итоговый прогноз формируется на основе взвешенного голосования моделей с учетом их точности, что обеспечивает высокую надежность предсказаний UP/DOWN тренда
Рабочий процесс
1. Загрузка данных
Котировки, технические индикаторы и квартальная отчётность подгружаются автоматически по тикеру
2. Преобразование GAF
Генерация GASF и GADF изображений из временных рядов
3. Анализ CNN
Обработка изображений несколькими нейронными сетями
4. Прогноз
Ансамблирование результатов и генерация рекомендаций
Технология

Инновационный подход к прогнозированию

GAF-CNN Price Predictor использует революционный метод преобразования временных рядов в изображения через полярное кодирование Gramian Angular Fields.

Временные ряды нормализуются в диапазон [-1, 1] и преобразуются в полярные координаты. Затем создаются матрицы GASF (cos(φᵢ + φⱼ)) и GADF (sin(φᵢ - φⱼ)), которые кодируют временные корреляции как текстуры изображений. Эти изображения 256×256 пикселей анализируются ансамблем pre-trained CNN моделей (ResNet50, VGG16, InceptionV3, EfficientNetB0), дообученных для классификации UP/DOWN трендов.

  • ✅ GASF/GADF преобразование с сохранением временных зависимостей
  • ✅ Transfer Learning на ImageNet pre-trained моделях
  • ✅ Точность 85-92% на тестовых данных (Accuracy/F1-Score)
  • ✅ Обработка окон 30-60-90 дней для различных таймфреймов
📉 ➡️ 🖼️ ➡️ 🤖

Data -> Image -> AI Model

Нейронные сети

Сверточные архитектуры для анализа GAF изображений и прогнозирования трендов

CNN V1

CNN

Trained
Обновлено: 30.09.2026 06:43

Сверточная нейронная сеть для классификации GAF изображений и прогнозирования направления движения цены.

64.1 %
Accuracy
Доля верных прогнозов UP/DOWN
0.63
F1 Score
Баланс Precision и Recall
0.087
RMSE
Среднеквадратичная ошибка (ниже лучше)
0.06
MAE
Средняя абсолютная ошибка (ниже лучше)
58.2 %
R² Score
Доля объясненной вариации (ближе к 1 лучше)
CNN V2

YOLOv8n-cls

Trained
Обновлено: 02.11.2026 06:34

Сверточная нейронная сеть для классификации GAF изображений и прогнозирования направления движения цены.

72.4 %
Accuracy
Доля верных прогнозов UP/DOWN
0.00
F1 Score
Баланс Precision и Recall
0.000
RMSE
Среднеквадратичная ошибка (ниже лучше)
0.00
MAE
Средняя абсолютная ошибка (ниже лучше)
0.0 %
R² Score
Доля объясненной вариации (ближе к 1 лучше)
CNN V3

CNN

Trained
Обновлено: 07.05.2026 15:18

Сверточная нейронная сеть для классификации GAF изображений и прогнозирования направления движения цены.

71.3 %
Accuracy
Доля верных прогнозов UP/DOWN
0.70
F1 Score
Баланс Precision и Recall
0.074
RMSE
Среднеквадратичная ошибка (ниже лучше)
0.05
MAE
Средняя абсолютная ошибка (ниже лучше)
66.8 %
R² Score
Доля объясненной вариации (ближе к 1 лучше)