Прогнозирование индекса ММВБ: предсказательная сила методов машинного обучения и эконометрических моделей

Возможность прогнозирования динамики финансовых инструментов представляет собой актуальную задачу для участников финансового рынка. В условиях большого потока разнородной информации возникает потребность в использовании эффективных методов их обработки для выработки оперативных управленческих решений. В частности, все большее распространение в финансовом моделировании получают методы машинного обучения, однако при этом уже существует ряд эконометрических моделей, использующийся для такой задачи. Цель работы заключается в сравнении моделей ARIMA, ARIMA-GARCH и ARIMA-TGARCH с нейронными сетями и методом опорных векторов для определения наибольшей прогнозной силы в задаче предсказания индекса ММВБ. Информационную базу экономико-математического моделирования составили статистические и аналитические данные о динамике индекса ММВБ, фундаментальных и технических индикаторов фондового рынка за 2003 – 2017 гг. Результаты компьютерных экспериментов выполнены на обучающей и тестирующей выборке c использованием соответствующих библиотек машинного обучения на языке Python и программного пакета EViews. Оценка предсказательной силы методов осуществлялась на тестирующей выборке с использованием традиционных показателей математической статистики (абсолютной и относительной ошибки прогноза) и коэффициента детерминации, а также бенчмарков. На тестирующей выборке отмечена более высокая предсказательная точность эконометрических моделей. Также, ARIMA-GARCH и метод опорных векторов протестированы в предложенной простейшей торговой стратегии. ARIMA-GARCH смогла достичь прибыли большей, чем стратегия «Купи и держи», тогда как метод опорных векторов продемонстрировал отрицательную доходность. Возможные направления дальнейших исследований включают в себя создание более комплексных моделей, учитывающих настроения инвесторов, а также разработка продвинутых гибридных моделей.