Архитектура распределенной системы прогнозирования стоимостей ценных бумаг на фондовом рынке, построенной на основе нейросетевой модели

В данном исследовании предлагается архитектура распределенной системы для прогнозирования динамики стоимостей ценных бумаг на фондовом рынке. Целью работы является создание системы, способной эффективно прогнозировать рыночные тенденции для оптимизации торговых стратегий. Архитектурное решение включает в себя комплексное применение современных технологий: базы данных PostgreSQL для хранения справочной информации, ClickHouse для эффективного управления большими объемами данных временных рядов, Redis для оптимизации доступа к данным через кэширование и Kafka в качестве распределенного брокера сообщений для обеспечения высокой доступности и масштабируемости системы. Для обеспечения непрерывного доступа к рыночным данным и возможности совершения торговых операций используется интеграция с брокерской платформой, а внедрение Telegram-бота позволяет предоставить пользовательский интерфейс для взаимодействия с системой, что повышает удобство её использования. Выполнен сравнительный анализ моделей глубокого обучения LSTM и Transformer для оценки эффективности их применения. Дается вывод о целесообразности использования моделей и рассмотрен вопрос их интеграции в предложенную архитектуру. Методология исследования включает подготовку данных, обучение и тестирование моделей на исторических рыночных данных, а также анализ их прогностической способности и реакции на рыночные изменения. Выполненные эксперименты позволяют выявить различия в точности и надежности прогнозов, полученных на основе данных моделей, а также оценить их сильные и слабые стороны в контексте решаемой задачи. Особенностью работы является применение комплексного подхода к разработке распределенной системы торговли на фондовом рынке, с учетом специфики интеграции в ее архитектуру нейросетевых моделей. Дальнейшее исследование предполагает расширение набора сравниваемых архитектур нейронных сетей и оптимизацию системы с учетом особенностей применения торговых стратегий на фондовом рынке.

This study proposes the architecture of a distributed system for predicting the dynamics of securities prices on the stock market. The aim of the work is to create a system capable of effectively predicting market trends to optimize trading strategies. The architectural solution includes a comprehensive application of modern technologies: PostgreSQL databases for storing reference information, ClickHouse for efficient management of large amounts of time series data, Redis for optimizing data access through caching and Kafka as a distributed message broker to ensure high availability and scalability of the system. Integration with the brokerage platform is used to ensure continuous access to market data and the possibility of trading operations, and the introduction of a Telegram bot allows you to provide a user interface for interacting with the system, which increases the convenience of its use. A comparative analysis of LSTM and Transformer deep learning models has been performed to assess the effectiveness of their application. The conclusion is made about the expediency of using models and the issue of their integration into the proposed architecture is considered. The research methodology includes data preparation, training and testing of models based on historical market data, as well as analysis of their predictive ability and reaction to market changes. The experiments performed make it possible to identify differences in the accuracy and reliability of forecasts based on these models, as well as to assess their strengths and weaknesses in the context of the task being solved. A feature of the work is the application of an integrated approach to the development of a distributed trading system on the stock market, taking into account the specifics of integrating neural network models into its architecture. Further research involves expanding the set of compared neural network architectures and optimizing the system, taking into account the specifics of applying trading strategies in the stock market.