Дослідження технологій реалізації торгових ботів

Abstract

UA : Робота викладена на 36 сторінках друкованого тексту, містить 6 рисунків, 15 джерел, 3 додатки. Об’єкт дослідження – процес прогнозування поведінки фінансового ринку на основі історичних ринкових даних та зовнішньої інформації. Предмет дослідження – методи та алгоритми машинного навчання і нейронних мереж, що застосовуються для прогнозування майбутніх цінових рухів фінансових інструментів та формування торгових рішень. Мета роботи – розробка та експериментальне дослідження системи прогнозування фінансового ринку, заснованої на використанні стекованої моделі машинного навчання, з метою підвищення ефективності алгоритмічної торгової стратегії. Методи дослідження – методи аналізу часових рядів, машинного навчання, рекурентні нейронні мережі типу LSTM, ансамблеві та стековані моделі, статистичні методи оцінювання якості прогнозів, методи зворотного тестування торгових стратегій. У кваліфікаційній роботі розглянуто підхід до прогнозування фінансового ринку, що поєднує технічні індикатори та інформаційні характеристики новинного фону. Запропоновано стековану модель прогнозування, яка використовує кілька базових алгоритмів машинного навчання та рекурентну нейронну мережу для оцінки майбутнього локального максимуму ціни. На основі отриманих прогнозів сформовано торгову стратегію та проведено експериментальне дослідження її ефективності з використанням стандартних фінансових показників. Отримані результати підтверджують практичну доцільність застосування запропонованого підходу для задач алгоритмічної торгівлі.EN : The work is presented on 36 pages of printed text, 6 figures, 15 references, 3 annexes. Object of the study – process of prediction of financial market behavior based on historical market data and external information. Subject of the study - machine learning methods and neural network algorithms used to predict future price movements of financial instruments and to generate trading decisions. Aim of the study - creation and experimental research of a stacked machine learning model based system for financial market forecasting as an attempt to make the algorithmic trading strategy more efficient. Methods of research - time series analysis methods, machine learning techniques, recurrent neural networks of the LSTM type, ensemble and stacked models, statistical methods for evaluating forecasting accuracy, and backtesting methods for trading strategies. The master’s thesis proposes a financial market forecast that would combine technical indicators with informational characteristics reflected from the news background. A stacked forecast model is suggested in which several base machine learning algorithms are aggregated together with a recurrent neural network estimating future local maximum values of prices. Based on these forecasts, a trading strategy was built and experimentally assessed for its efficiency using standard financial performance metrics. Results achieved ensure practical implementability of the proposed approach to an algorithmic trading task.