Применение методов машинного обучения для прогнозирования цен акций

В данной работе изучается возможность и эффективность применения классических методов машинного обучения для прогнозирования тренда движения цены акций. Под классическими в данном контексте подразумеваются те модели машинного обучения, которые не используют нейронные сети. Данная задача представляется актуальной, так как точное прогнозирование на рынке акций представляет интерес как для научного, так и для профессионального сообщества, при этом многие исследователи полагают, что именно компьютерные алгоритмы являются самым перспективным инструментом для построения подобных прогнозов. Говоря о классических методах, стоит отметить, что концентрация именно на них добавляет новизну в данную работу, так как подавляющее большинство исследователей строят именно модели нейронных сетей, часть использованных нами классификаторов не применялась для этой задачи. Перед непосредственным моделированием был проведен анализ научной литературы, из которого частично подтверждается гипотеза о том, что модели классического машинного обучения могут быть точными. На основании изученной литературы были выбраны и построены несколько моделей классификации. Для этого были собраны и обработаны данные о котировках акций Сбербанка в период с апреля 2005 года по апрель 2019 года. Из первичных данных также были сгенерированы дополнительные признаки. Как и предполагалось автором, наиболее точным алгоритмом оказался алгоритм бустинга над решающими деревьями, который дал точность 62%. Такой показатель позволяет сделать вывод о том, что модель является эффективной и способной давать предсказания на уровне или лучше, чем модели других исследователей.