сотрудник
Воронеж, Россия
Воронежская область, Россия
Россия
УДК 336 Финансы. Банковское дело. Деньги и денежное обращение
В современных исследованиях фондового рынка специалисты и ученые совершенствуют алгоритмы и модели, сочетая их между собой, со стратегиями и рыночными условиями для отбора акций. В данной работе представлен обзор моделей отбора акций для количественного инвестирования, который явился основой для предложенной процедуры и алгоритма количественного инвестирования, позволяющие моделировать процесс инвестирования. В основе разработанного алгоритма лежат дерево решений CART и Random Forest, который включает алгоритм. Алгоритм bagging делит обучающее множество на несколько новых обучающих множеств, которые строят собственные модели вычислений, а затем их результаты суммируются и интегрируются для получения окончательного прогноза. Случайность Random Forest проявляется в процессе выбора образцов из набора данных для обучения и при выборе характеристик для вычисления лучших точек разделения. Однако, предложенная стратегия более стабильна, чем другие стратегии подбора акций, больше подходит для построения количественных моделей подбора акций, предложенный алгоритм имеет преимущество перед другими алгоритмами, а также более перспективна для дальнейшего развития.
Количественное инвестирование, Random Forest, алгоритм, стратегия, дерево решений
1. Olsson, M. Modeling Real-Time Balancing Power Market Prices Using Combined SARIMA and Markov Processes / M. Olsson, L. Soder // IEEE Transactions on power systems. - 2008. - Vol. 23, № 2. - Pp. 443-450. - DOIhttps://doi.org/10.1109/TPWRS.2008.920046
2. Nelson, D.M. Stock Market's Price Movement Prediction wit LSTM Neural Networks / D.M. Nelson, A.C. Pereira, R.A. De Oliveira // Proceedings of the International Joint Conference on Neural Networks. - 2017. - Pp. 1419 - 1426. - DOI:https://doi.org/10.1109/IJCNN.2017.7966019.
3. Tang, J. Stock Market Prediction Based on Historic Prices and News Titles / J. Tang, X. Chen // ICMLT '18: Proceedings of the 2018 International Conference on Machine Learning Technologies. - 2018. - Pр. 29- 34. - DOI:https://doi.org/10.1145/3231884.3231887.
4. Zhang, C. Empirical Research on Multifactor Quantitative Stock Selection Strategy Based on Machine Learning / C. Zhang, H. Tang // 2022 3rd International Conference on Pattern Recognition and Machine Learning (PRML). - 2022. - Pp. 380-383. - DOI:https://doi.org/10.1109/PRML56267.2022.9882240.
5. Han, J. Effect of dimensionality reduction on stock selection with cluster analysis in different market situations / J. Han, Z. Ge // Expert Systems With Applications. - 2020. - Vol. 147. - Pp. 1-15. - DOI:https://doi.org/10.1016/j.eswa.2020.113226.
6. Li, B. Research on Machine Learning Driven Quantamental Investing / B. Li, X.Y. Shao, Y.Y. Li, // China Industrial Economics. - 2019. - Vol. 8. - Pp. 61-79.
7. A Quantitative Investment Model Based on Random Forest and Sentiment Analysis / M. Chen, Z. Zhang, J. Shen [et al.] // Journal of Physics: Conference Series. - 2020. - Vol. 1575. - C. 012083. - DOI:https://doi.org/10.1088/1742-6596/1575/1/012083.
8. Новикова, Т.П. К вопросу выбора методов принятия управленческих решений в социально-экономических системах / Т.П. Новикова // Альтернативные источники энергии в транспортно-технологическом комплексе: проблемы и перспективы рационального использования. - 2015. - Т. 2, № 1 (2). - С. 286-289. - DOI:https://doi.org/10.12737/14053.
9. Sokolov, S.V. An approach to optimal synthesis in a conflict problem / S.V. Sokolov, I.V. Shcherban // Journal of Computer and Systems Sciences International. - 2003. - Т. 42, № 5. - С. 692-697.
10. Соколов, С.В. Решение задачи нелинейной параметрической идентификации стохастических объектов с использованием критерия минимума вероятности ошибки оценивания / С.В. Соколов, П.А. Кучеренко // Известия высших учебных заведений. Приборостроение. -2009. - Т. 52, № 3. - С. 5-12.
11. Сун, Л. Анализ методов оценки активов предприятий в Китае / Л. Сун, Т. П. Новикова // Современные аспекты моделирования систем и процессов : сборник материалов Всероссийской научно-практической конференции, Воронеж, 08 февраля 2021 года. - Воронеж, 2021. - С. 144-148. - DOI:https://doi.org/10.34220/MAMSP_144-148.
12. У, Г. Количественные методы управления инвестиционным процессом / Г. У, Т.П. Новикова // Современные аспекты моделирования систем и процессов : сборник материалов Всероссийской научно-практической конференции, Воронеж, 08 февраля 2021 года. - Воронеж, 2021. - С. 155-159. - DOI:https://doi.org/10.34220/MAMSP_155-159.
13. Novikova, T.P. Production of Complex Knowledgebased Systems: Optimal Distribution of Labor Resources Management in the Globalization Context / T.P. Novikova, A.I. Novikov // Globalization and its socio-economic consequences : Proceedings. - Rajecke Teplice, Slovak Republic: University of Zilina, 2018. - P. 2275-2281.
14. Носова, Г. С. Машинное обучение на основе непараметрического и нелинейного алгоритма Random Forest (RF) / Г. С. Носова, А. Х. Абдуллин // Инновации. Наука. Образование. - 2021. - № 35. - С. 33-39.
15. Летова, М.С. Реализация регрессионных и классификационных задач с помощью метода random forest / М.С. Летова // E-Scio. - 2017. - № 8(11). - С. 15-21.
16. Повитухин, С. А. Прогнозирование с использованием алгоритма random forest / С. А. Повитухин, Д. Р. Нуриев, Д. М. Солдаткина // Современные информационные технологии в образовании, науке и промышленности : сборник научных трудов XIV Международной конференции и XII Международного конкурса научных и научно-методических работ, Москва, 01-02 ноября 2019 года. - М., 2019. - С. 113-116.
17. Митрофанов, С.А. Построение случайного леса с использованием алгоритма генетического программирования / С.А. Митрофанов // Актуальные проблемы авиации и космонавтики : сборник материалов V Международной научно-практической конференции, посвященной Дню космонавтики, Красноярск, 08-12 апреля 2019 года. В 3-х т. - Красноярск, 2019. - С. 61-63.
18. Тропина, Ж.Н. Количественные инвестиции как новый метод управления активами / Ж.Н. Тропина // Контентус. - 2017. - № 7(60). - С. 51-56.
19. Щетинин, Е. Ю. О методах количественного анализа финансовых показателей компании в условиях высокой рискованности инвестиций / Е. Ю. Щетинин // Управление финансовыми рисками. - 2020. - № 2. - С. 108-119. - DOI:https://doi.org/10.36627/2221-7541-2020-2-2-108-119.
20. Evdokimova, S.A. Segmentation of store customers to increase sales using ABC-XYZ-analysis and clustering methods / S.A. Evdokimova // Journal of Physics: Conference Series. - C. 012117. - DOI:https://doi.org/10.1088/1742-6596/2032/1/012117.
21. Евдокимова, С.А. Применение методов интеллектуального анализа данных для оценки внешнеэкономической деятельности организации / С.А. Евдокимова, В.С. Копылова // Информатика: проблемы, методология, технологии : cборник материалов XIX международной научно-методической конференции, Воронеж, 14-15 февраля 2019 года. - Воронеж, 2019. - С. 1118-1121.
22. Stock selection strategy of a-share market based on rotation effect and random forest / S. Wang, Z. Li, J. Zhu [et al.] // AIMS Mathematics. - 2020. - Vol. 5(5). - Pp. 4563-4580. - DOI:https://doi.org/10.3934/math.2020293.
23. Fang, Y. Research on quantitative investment strategies based on deep learning / Y. Fang, J. Chen, Z. Xue // Algorithms. - 2019. - Vol. 12(2). - C. 35. - DOI:https://doi.org/10.3390/a12020035.
24. Wang, X. Research on quantitative investment strategy based on random forest model and risk management / X. Wang, S. Yin // ACM International Conference Proceeding Series. - 2021. - Pp. 2126-2131. - DOI:https://doi.org/10.1145/3482632.3484113.
25. Ensemble model for stock price movement trend prediction on different investing periods / J. Yang, R. Rao, P. Hong, P. Ding // Proceedings - 12th International Conference on Computational Intelligence and Security, CIS 2016. - 2017. - C. 7820478. - Pp. 358-361. - DOI:https://doi.org/10.1109/CIS.2016.86.
