Емперічне дослідження алгоритмів машиного навчання для стратегії щоденної торгівлі цінними паперами

Abstract

У кваліфікаційній роботі проведено емпіричне дослідження ефективності алгоритмів машинного навчання у контексті побудови торгових стратегій для щоденної торгівлі цінними паперами. Основною метою дослідження є виявлення моделей, що забезпечують найкращу прогностичну здатність при моделюванні фінансових часових рядів з урахуванням їх високої волатильності, автокореляційної структури та особливостей ринку.
У роботі розглянуто класичні методи аналізу часових рядів (ARIMA, експоненційне згладжування), а також сучасні алгоритми машинного навчання: градієнтний бустинг (LightGBM, XGBoost), LSTM-мережі, логістичну регресію та класифікатори на основі дерева рішень. Проводилось кодування технічних індикаторів, таких як RSI, SMA, EMA, волатильність, та формування цільової змінної для моделювання напрямку руху ціни.