BC/NW 2021№ 1 (37):12.2  

РАЗРАБОТКА И ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ СТРАТЕГИЙ В АВТОМАТИЧЕСКИХ ТОРГОВЫХ СИСТЕМАХ

Простова Д. И., Оцоков Ш. А

Машинное обучение  — это наука, которая занимается анализом данных с  целью выявления закономерностей и  последующего обучения алгоритмов для дальнейшего прогнозирования. Оно находит широкое применение в современном мире, в том числе и в сфере финансов. Изменения цен на акции происходят постоянно и нелинейно. Некоторые могут предполагать, они формируются случайным образом, однако это в корне неправильно. Традиционные методы временных рядов, такие как: интегрированная модель авторегрессии  — скользящего среднего ARIMA (Autoregressive Integrated Moving Average) и  общая авторегрессивная гетероскедатичная модель GARCH (Generalized AutoRegressive Conditional Heteroscedasticity) эффективны, когда основные свойства ряда со  временем не  изменяются (стационарный ряд). Для этого требуется, чтобы ряд был предварительно обработан и  приведён к  стационарности. Однако при реализации этих моделей на реальном рынке стационарность новых данных гарантироваться не  может. В  этом и  заключается основная проблема. В данной работе будут проанализированы математические и  статистические методы для создания биржевого робота, который будет прогнозировать и  вести электронные торги на бирже. Так  же будут проанализированы существующие алгоритмы машинного обучения для решения нестационарных задач и их оценка для реального применения на  торгах. Одним из  таких алгоритмов станет обучение с  подкреплением (рисунок 1), в  котором агент, действуя в  среде, должен найти оптимальную стратегию взаимодействия с ней. Основная цель агента — получить максимальную награду.

Литература

1. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2015. 400 с.

2. Бриллинджер Д. Временные ряды. Обработка данных и теория. М.: Мир, 1980. 532 с.