Прогнозирование крахов фондовых рынков на основе модели лог-периодического закона и методов машинного обучения

Тема прогнозирования крахов является актуальной, так как возможность заранее знать дату обвала рынка может принести значительные прибыли, повлиять на инвестиционные решения компаний и на политику государства по регулированию экономических циклов. На данный момент имеется огромное количество статей посвященных прогнозированию крахов; было предложено множество моделей и методов, в том числе и лого-периодический закон. На основе этого закона появилась лого-периодическая модель (LPPL). В большинстве статей главным параметром для оценки выступала дата краха, значениям оценок остальных параметров уделялось посредственное внимание. В данной работе мы собираемся применить иной подход к оценке параметров модели и получить вектора с оценками всех остальных параметров LPPL модели, путем постоянной переоценки параметров модели на подвыборке, каждый раз сдвигаясь на один день в будущее, полагая, что крах произойдет на следующий день. Идея работы состоит в том, чтобы проверить, имеют ли оценки параметров LPPL модели значимое влияние на вероятность краха и, если имеют, использовать их, как объясняющие переменные в моделях машинного обучения для предсказания крахов. Так, основной тезис работы состоит в том, что оценки параметров LPPL модели значимо влияют на вероятность краха и могут быть использованы для получения предсказания о будущих падениях цены. Оценка LPPL модели проводится методом SANN, для проверки влияния значений оценок параметров на вероятность краха используется обычная логит модель, в качестве классификаторов используются модели случайного леса, линейных опорных векторов, gbm и пошаговая логит модель по критерию AIC. По результатам исследования не удалось опровергнуть тезис о значимом влиянии оценок параметров LPPL на вероятность краха для обоих исследуемых индексов (DJIA и MICEX). По результатам классификации оценки параметров LPPL показали хорошую прогностическую силу.