Исследование методов прогнозирования стоимости ценных бумаг на основе машинного обучения

В настоящей работе рассматриваются вопросы применения современных методов машинного обучения для прогнозирования стоимости ценных бумаг на фондовом рынке. Актуальность тематики подчёркивается важностью учёта динамики текущей рыночной ситуации при проведении аналитических исследований, составлении экономических прогнозов, а также при принятии финансовых решений. Увеличение объёма различных факторов, влияющих на цену актива, предполагает необходимость работы с большими данными и подчёркивает важность применения методов искусственного интеллекта. В качестве математического аппарата для проведения исследований выбраны различные методы машинного обучения с учителем. Модельной задачей для отработки указанных методов является осуществление краткосрочного прогноза котировок акций с целью принятия торговых решений. В статье затрагиваются важные вопросы формирования обучающих данных с дальнейшим выбором наиболее информативных признаков на основе биржевой информации и различных индикаторов. Для оптимизации исходных данных используется подход, заключающийся в удалении сильно коррелирующих между собой признаков и применении алгоритма RFE (Recursive feature elimination). Проводятся экспериментальные исследования с применением модели линейной регрессий, метода опорных векторов и алгоритма CatBoost. Даются выводы о возможности применения полученных результатов при принятии краткосрочных финансовых решений.

Research of methods for forecasting the price of securities based on machine learning

This paper deals with the application of modern machine learning methods to forecast the value of securities on the stock market. The relevance of the topic is highlighted by the importance of taking into account the dynamics of the current market situation when conducting analytical research, making economic forecasts, as well as when making financial decisions. The increasing volume of various factors influencing the price of an asset implies the need to work with big data and emphasizes the importance of applying artificial intelligence methods. Various machine learning methods with a teacher have been chosen as the mathematical apparatus for the research. The model task for testing these methods is to make short-term forecasts of share prices in order to make trading decisions. The article touches upon important issues of training data formation with further selection of the most informative features based on stock-exchange data and various indicators. The approach which is based on removing strongly correlated features and using RFE (Recursive feature elimination) algorithm is used for optimization of the input data. Experimental studies are conducted using linear regression model, support vector method and CatBoost algorithm. Conclusions are given on the possibility of applying the results in making short-term financial decisions.