Россия
В статье представлен сравнительный анализ моделей машинного обучения для прогнозирования курса акций. Охарактеризован процесс алгоритмического трейдинга. Рассмотрено использование искусственного интеллекта на фондовом рынке, преимущества и недостатки его применения. Выбраны модели машинного обучения: линейная регрессия и случайный лес, дана их характеристика. Определены метрики для оценки качества прогнозов и представлено их математическое описание. Выполнено обучение и тестирование моделей, получены прогнозируемые значения, найдены необходимые метрики. Все расчеты, анализ, машинное обучение выполнены в среде программирования Python с подключение библиотек Pandas, Numpy, Matplotlib, Sklearn. В результате модель случайного леса оказалась наиболее надежной с учетом высокой точности и минимизации ошибок, для модели линейной регрессии среднеквадратическая ошибка и средняя абсолютная ошибка больше почти на 90%.
линейная регрессия, случайный лес, машинное обучение, прогнозирование котировок, алгоритмический трейдинг
1. Богатырев С.Ю. [и др.]. Машинное обучение в финансах :учебник [Электронный ресурс]. — М.: Прометей, 2024. 224 с.
2. Кремер Н.Ш. Эконометрика [Текст] / Н.Ш. Кремер, Б.А. Путко. — М.: ЮНИТИДАНА, 2010. — 328 с.
3. Лимановская О.В. Основы машинного обучения [Текст] / О.В. Лимановская, Т.И. Алферьева. — Екатеринбург: Издво Урал. унта, 2020. — 88 с.
4. Малыхин Е.М. Алгоритмический трейдинг для профессионалов [Текст] / Е.М. Малыхин. — СПб.: БХВПетербург, 2021. — 176 с.
5. Харрисон М. Машинное обучение: карманный справочник «Краткое руководство по методам структурированного машинного обучения на Python» [Текст] / М. Харрисон. — СПб.: Диалектика, 2020. — 320 с.
6. Янсен С. Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум [Текст] / С. Янсен. — СПб.: БХВПетербург, 2019. — 560 с.
7. Krauss C., Do X.A., Huck N. Deep neural networks, gradientboosted trees, random forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research (2016), 259(2), 689–702. DOI:https://doi.org/10.1016/j.ejor.2016.10.031/ URL: https://www.scihub.ru/10.1016/j.ejor.2016.10.031?ysclid=lw tkxebont933507928 (accessed 28 May 2024).
8. Hong K. Modelling Intervalling Effect of High Frequency Trading on Portfolio Volatility. Theoretical Economics Letters, October 2019, vol. 9, no. 7. URL: https://www.scirp.org/ journal/paperinformation?paperid=95423 (accessed 28 May 2024).
