Прогнозирование цен на фондовых рынках на основе комбинированных методов машинного обучения

На сегодняшний день, в связи с развитием интернет-трейдинга, большое значение стало уделяться прогнозированию будущих смен тенденций на финансовых рынках, построению грамотной стратегии покупки/продажи акций и индексов на основе полученных предсказаний. Самым перспективным методом прогнозирования сегодня является подход комбинирования предсказаний самых сильных моделей технического анализа. Однако, данный метод еще не применяли для прогнозирования цен акций с европейского и американского рынков. Именно поэтому, в выпускной квалификационной работе используются российский индекс MICEX O&G и американский Dow Jones Oil and Gas с периодичностью в один день начиная с 2009 года. Кроме того, автором почти не было найдено работ, посвященных построению торговой стратегии на основе полученных предсказаний, т.е. получению прибыли из прогнозов. Таким образом, задачами выпускной квалификационной работы являются: 1) Исследовать точность подхода комбинирования предсказаний по сравнению с индивидуальными моделями; 2) Построить торговую стратегию на основе полученных предсказаний и сравнить ее с простой buy-and-hold. Для построения индивидуальных прогнозов использовались нейронные сети и интегрированная авторегрессионная модель скользящего среднего. Для получения комбинированных предсказаний, использовался метод машинного обучения, а именно случайный лес. В качестве торговых стратегий были предложены две системы, с сигналами только на покупку и только на продажу. В результате проведения эмпирического исследования, были получены следующие выводы: 1) Использование комбинированного метода машинного обучения существенно улучшило точность прогнозов для имеющихся данных; 2) Предложенные торговые стратегии оказались прибыльными в сравнении с buy-and-hold лишь для российского индекса. Для американского индекса, как buy-and-hold, так и предложенные стратегии оказались неэффективными, предположительно, ввиду сильного нисходящего тренда на протяжении всего тестируемого периода.