|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ИНХС РАН |
||
Сравнительный анализ трейдинговых алгоритмов для акций технологического сектора США с использованием методов машинного обучениядипломная работа (Магистр)
- Научный руководитель: Садыков Ильдар Сеутович
- Автор: Зубарева Софья Александровна
- Тип: Магистр
- Организация, в которой проходила защита: МГУ имени М.В. Ломоносова
- Год защиты: 2020
- Аннотация: В мировой финансовой истории неоднократно предпринимались попытки спрогнозировать поведение рынка акций, но окончательное решение данного вопроса найдено не было. На это влияли как нехватка хороших баз данных, мощностей компьютера, так и сложность теоретической части, поиска влияющих признаков. Согласно эффективной теории рынка, предсказание поведения рыночных котировок не представляется возможным, так как в этом случае становятся допустимыми иррациональность инвесторов и арбитраж. Однако предпосылки эффективной теории рынка оказались далеки от жизненных реалий. Возникали новые теории, в том числе и неоклассические, где данная возможность уже нашла свое отражение. Тем не менее споры о реальной предсказательной силе моделей ведутся до сих пор. Так, многие модели работают лишь на определенной (тренировочной) выборке, на тестовой же модель не имеет хорошей предсказательной силы. В настоящее время предсказание финансовых показателей перестает быть задачей эконометрических и статистических моделей. Все это переходит в компетенцию алгоритмов машинного обучения, точность которых гораздо выше. Многие исследователи доказывают статистически значимое увеличение эффективности в случае использования машин, так как они гораздо быстрее отвечают на запросы с рынка и более точно оценивают ситуацию [S. Deng et al, 2015; A. Frino et al, 2017; X. Zhong et al, 2019]. Кроме этого, алгоритмы машинного обучения способны обрабатывать большой объем данных за короткое время, используя комбинацию линейных и нелинейных взаимосвязей. Это приближает моделирование к реальным жизненным условиям. Существуют алгоритмы, способные со временем подстраивать поведение под изменчивость данных (обучение с подкреплением). Эти и многие другие факторы, которые будут рассмотрены впоследствии, увеличивают рост популярности алгоритмов машинного обучения. Однако стоит отметить, что использование алгоритмов без статистического обоснования не приводит к положительным результатам. Все это обуславливает актуальность данного исследования. Степень научной разработанности рассматриваемой проблемы является недостаточной, так как в настоящее время в научной литературе не существует полноценного сравнительного анализа всех существующих трейдинговых алгоритмов машинного обучения. Большинство исследователей используют один или несколько алгоритмов без обоснования своего выбора. Что делает сравнение их эффективности невозможным. Большую ценность при написании данной работы составили труды таких авторов, как Доминик Вольф (Dominik Wolff), Чежи Чен (Zheshi Chen) и Ксьадонг Ли (Xiaodong Li). Отдельного упоминания достойны научные статьи Юминг Ли (Yuming Li), в сферу научных интересов которого входит глубокое обучение для трейдинговых целей. Для всестороннего исследования особую значимость представляли работы Салима Лахмири (Salim Lahmiri), который во многих своих исследованиях затрагивает вопрос технических индикаторов для трейдинга, а также возможности различных алгоритмов. С точки зрения научно-практической значимости, данная работа является одной из немногих, затрагивающих моделирование индекса NASDAQ-100. На данный момент она единственная научная работа, включающая в себя сравнительный анализ различных трейдинговых алгоритмов для рассматриваемого индекса с целью формирования наиболее эффективной модели. Объектом исследования данного исследования являются инвестиционные стратегии. Предмет исследования – трейдинговые алгоритмы с использованием методов машинного обучения. Целью данной работы является поиск наиболее эффективного класса трейдинговых алгоритмов для акций технологического сектора США на основе сравнительного анализа алгоритмов с использованием методов машинного обучения. В соответствии с поставленной целью решались следующие задачи: 1. Проанализировать влияющие факторы, используемые при построении трейдинговых моделей научным сообществом в последнее время с целью выявления наиболее значимых; 2. Проанализировать особенности индекса NASDAQ-100 с целью формирования наиболее полного списка влияющих на него факторов; 3. Провести сравнительный анализ существующих трейдинговых алгоритмов; 4. Построить образцы классов трейдинговых алгоритмов для индекса NASDAQ-100; 5. Провести сравнительный анализ результатов построения алгоритмов для индекса NASDAQ-100; 6. Выявить наиболее эффективный класс алгоритмов для предсказания поведения доходности индекса NASDAQ-100.
- Добавил в систему: Садыков Ильдар Сеутович