Разработка модели движения рынка ценных бумаг на основе характеристик новостных сообщений с использованием Python

Ключевые слова: Python, Сбербанк, Газпром, Лукойл, Роснефть, машинное обучение, Твиттер, прогнозирование движения фондового рынка, классификация твитов, информационный фон. В данной работе разрабатывается и реализовывается методика прогнозирования движения фондового рынка на основе характеристик новостных сообщений. Для исследования были выбраны ключевые российские компании: Сбербанк, Лукойл, Газпром, Роснефть. Данные компании составляют существенную часть индекса ММВБ. Для каждой из этих организаций были классифицированы содержащие о них новости твиты. Классификация производилась по их влиянию на цены акций этих компаний. Было разработано две модели классификации: на основе частотного анализа и на основе словаря. Для получения наилучшего качества классификации, результаты этих моделей были объединены в третьей. Далее, используя полученные характеристики твитов были разработанные признаки, пригодные для использования в алгоритмах машинного обучения. Для анализа зависимости тренда акций от новостного фона было разработано три варианта моделей прогнозирования тренда: с использованием только технических признаков (бейслаин-модель), с использованием как технических, так и текстовых признаков, с использованием только текстовых признаков. Был выявлен существенный прирост точности прогноза по сравнению с бейслаином при использовании только текстовых признаков: для Сбербанка прирост в точности составил 22% , для Роснефти – 17.4%, для Газпрома – 18%, а для Лукойла – 4%. Далее был сделан вывод о возможности прогнозирования движения фондового рынка на основе текстовых сообщений, а также предложены возможные пути усовершенствования моделей прогнозирования.