Применение алгоритмов, основанных на деревьях решений, на российском фондовом рынке

Ввиду стремительного развития компьютерных наук в течение последних десятилетий возникли новые методы анализа фондовых рынков. Одно из важнейших направлений компьютерных наук, затронувших анализ любых данных, это машинное обучение и искуственный интеллект. Эта работа исследует применение определенного семейства алгоритмов машинного обучения – основанных на деревьях решений (сами деревья решений, случайный лес, градиентный бустинг) с целью решения двух задач анализа фондовых рынков: предсказания движения биржевого индекса и рекомендации оптимальной торговой операции. Обе проблемы рассматриваются как задача классификации с точки зрения машинного обучения. Ряд работ уже применял эти методы к обозначенным пробемам. В данной работе эффективность этого подхода оценивается эмпирически на данных с российского фондового рынка. Следуя за предыдущими работами, в качестве признаков для предсказания в обеих задачах используются распространенные технические индикаторы. В результате, хотя большинство предыдущих работ получают оптимистичные результаты, данная работа показывает, что ни предсказание индекса ММВБ с использованием алгоритмов, основанных на деревьях решений, ни предсказание оптимального торгового решения с использованием случайного леса не является эффективным. В случае предсказания индекса, качество сравнимо со случайным угадыванием. Что касается рекомендации операций, торговая стратегия, основанная на предсказанных действиях приносит положительную доходность лишь для 9 из 15 рассматриваемых акций – голубых фишек. И только для 7 из них, доходность превышает доходность стратегии “Buy & Hold”.