Выбор эффективного метода машинного обучения для прогнозирования финансового рынка

В настоящем исследовании был разработан подход к прогнозированию динамики индикатора американского фондового рынка, индекса S&P 500, при помощи эволюционного метода машинного обучения. В основе прогностической модели лежали генетические алгоритмы, позволяющие подбирать такие решения, при которых максимизируется заданный параметр. Данные алгоритмы были внедрены в процесс слепого восстановления сигнала, который создавал неинтерпретированную информацию о текущей динамике индекса. В отличии от классического подхода, при котором генетические алгоритмы выступают в роли инструмента для подбора параметров регрессионной модели, в данной работе они использовались в качестве переводчика получаемой информации и корректировки ее таким образом, чтобы выручка от торговой операции на индексе S&P 500 на следующем шаге с наибольшей вероятностью была максимальной. В результате точность одной из вариаций данной модели на тестовой выборке составила 61,2%, что подтвердило гипотезу об эффективности использования генетических алгоритмов как системообразующих механизмов для решения задач прогнозирования.