ПРОГНОЗИРОВАНИЕ ДВИЖЕНИЯ ЦЕНЫ ОБЛИГАЦИИ С ПОМОЩЬЮ ГИБРИДНОГО МЕТОДА НА ОСНОВЕ XGBOOST И ГЕНЕТИЧЕСКОГО АЛГОРИТМА
Аннотация
Представлен гибридный метод к прогнозированию направления движения цены облигаций, сочетающий метод машинного обучения XGBoost с оптимизацией гиперпараметров посредством генетического алгоритма. Исследование направлено на решение задачи бинарной классификации направления цены облигации ОАО «РЖД» на следующий торговый день. Методология исследования включает формирование расширенного признакового пространства из 18 технических индикаторов, рассчитанных на основе дневных OHLCV-данных. Для настройки гиперпараметров XGBoost реализован генетический алгоритм с использованием библиотеки DEAP. Исследование проводилось на трех временных горизонтах: 01.01.21-31.10.25, 01.01.23-31.10.25, с 01.01.24-31.10.25. В результате показана существенная зависимость эффективности модели от временного горизонта обучающих данных. Наилучшее качество продемонстрировала модель, обученная на данных за 2024–2025 годы, с точностью на тестовой выборке 64.4%, сбалансированными метриками precision и recall, а также высокими оценками F1-score для обоих классов. Модели, обученные на более длинных периодах (2021–2025 и 2023–2025 гг.), показали снижение обобщающей способности, что свидетельствует о превалировании актуальности данных над их объемом в условиях изменения денежно-кредитной политики России в 2021-2025 гг. Для поддержания прогностической силы модели в меняющихся рыночных условиях рекомендовано использование скользящего окна обучения продолжительностью 1.5–2 года. Проведенное сравнение со стратегией «Buy & Hold» подтвердило эффективность предложенного гибридного подхода.
Список литературы
1. Gu Shihao & Kelly Bryan & Xiu Dacheng. Empirical Asset Pricing via Machine Learning, The Review of Financial Studies, 2020, 33, pp. 2223-2273. 10.1093/rfs/hhaa009.
2. Cabrol Axel & Drobetz Wolfgang & Otto Tizian & Puhan Tatjana. Predicting Corporate Bond Illiquidi-ty via Machine Learning, SSRN Electronic Journal, 2023. 10.2139/ssrn.4489504.
3. Mishin A.A., Vakulenko O.S. Integrated approach to forecasting government bond prices based on event analysis and machine learning, Economics and management: problems, solutions. Moscow, 2025, Vol. 3, No. 7, pp. 165-174.
4. Chen Tianqi & Guestrin Carlos. XGBoost: A Scalable Tree Boosting System, 2016, pp. 785-794. 10.1145/2939672.2939785.
5. Makarov D.A. Ispol'zovanie algoritma XGBoost dlya predskazaniya zaversheniya kursa obuchayush-chimsya [Using the XGBoost algorithm to predict course completion for students], StudNet, 2021, No. 1. Available at: https://cyberleninka.ru/article/n/ispolzovanie-algoritma-xgboost-dlya-predskazaniya-zaversheniya-kursa-obuchayuschimsya.
6. Syahputra Akhmal & Saputro Rujianto. Application of the XGBoost Model with Hyperparameter Tun-ing for Industry Classification for Job Applicants, 2024. SinkrOn 8, pp. 1920-1931. 10.33395/sinkron.v8i3.13840.
7. Yan Q., Hu H. XGBoost Machine Learning Model and Bond Pricing, SSRN, 2024. Available at: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4846755.
8. Salazov A.V. Sravnitel'nyy analiz effektivnosti XGboost i LSTM dlya prognozirovaniya volatil'nosti aktsiy Sberbanka [Comparative analysis of the effectiveness of XGBoost and LSTM for predicting the volatility of Sberbank shares], Auditorium, 2025, No. 2 (46). Available at: https://cyberleninka.ru/article/ n/sravnitelnyy-analiz-effektivnosti-xgboost-i-lstm-dlya-prognozirovaniya-volatilnosti-aktsiy-sberbanka.
9. Bakumenko L.P., Vasil'eva N.S. Sravnitel'nyy analiz prognosticheskikh modeley razvitiya kriptovalyut-nogo rynka (LSTM i XGBOOST) na primere bitkoina [Comparative analysis of predictive models of the development of the cryptocurrency market (LSTM and XGBOOST) on the example of bitcoin], Uchet i statistika [Accounting and Statistics], 2023, No. 4 (72). Available at: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-prognosticheskih-modeley-razvitiya-kriptovalyutnogo-rynka-lstm-i-xgboost-na-primere-bitkoina.
10. Zhang Lingyu & Bian Wenjie & Qu Wenyi & Tuo Liheng & Wang Yunhai. Time series forecast of sales volume based on XGBoost, Journal of Physics: Conference Series, 2021, 1873, 012067. 10.1088/1742-6596/1873/1/012067.
11. Thejovathi Murari and Rao, Dr. M V P Chandra Sekhara and Priyadharsini E.J. and Siddi Someshwar and Karthik B. and Abbas Syed Hauider. Optimizing Product Demand Forecasting with Hybrid Ma-chine Learning and Time Series Models: A Comparative Analysis of XGBoost and SARIMA (Novem-ber 15, 2024), Proceedings of the 3rd International Conference on Optimization Techniques in the Field of Engineering (ICOFE-2024).
12. Nichani Rabia & Laid Gasmi & Laiche Nabil & Salheddine Kabou. Optimizing financial time series predictions with hybrid ARIMA, LSTM, and XGBoost Models, Studies in Engineering and Exact Sci-ences, 2024, 5. e11188. 10.54021/seesv5n2-582.
13. Odhiambo Stephen & Nyakundi Cornelious & Waititu Hellen. Developing a Hybrid ARIMA-XGBOOST Model for Analysing Mobile Money Transaction Data in Kenyam, Asian Journal of Prob-ability and Statistics, 2024, 26, pp. 108-126. 10.9734/ajpas/2024/v26i10662.
14. Gond B. PHM-MAX-XGBoost-LSTM-SVM: A Hybrid Model for Time Series Forecasting – A Com-parative Analysis with Traditional and Modern Approaches, 2025. 10.31224/4754.
15. Adil Mehdary, Abdellah Chehri, Abdeslam Jakimi, Rachid Saadane. Hyperparameter Optimization with Genetic Algorithms and XGBoost: A Step Forward in Smart Grid Fraud Detection, Sensors, 2024. Available at: https://www.mdpi.com/1424-8220/24/4/1230.
16. Lingeswari R., Brindha S. Online payments fraud prediction using optimized genetic algorithm based feature extraction and modified loss with XGboost algorithm for classification, Swarm and Evolutionary Computation, Vol. 95. Available at: https://doi.org/10.1016/j.swevo.2025.101934.
17. Kyung Keun Yun, Sang Won Yoon, Daehan Won. Prediction of stock price direction using a hybrid GA-XGBoost algorithm with a three-stage feature engineering process, Expert Systems with Applications, 2021, Vol. 186, 115716. ISSN 0957-4174. Available at: https://doi.org/10.1016/j.eswa.2021.115716.
18. Yun K.K., et al. Prediction of stock price direction using a hybrid GA–XGBoost algorithm with a three-stage feature engineering process, Expert Systems with Applications, 2021. Available at: https://www.sciencedirect.com/science/article/abs/pii/S0957417421010988.
19. A Guide on XGBoost hyperparameters tuning. Available at: https://www.kaggle.com/code/ prashant111/a-guide-on-xgboost-hyperparameters-tuning.
20. DEAP documentation. Available at: https://deap.readthedocs.io/en/master/.
21. Shvager D. Tekhnicheskiy analiz: polnyy kurs: perevod s angliyskogo [Technical analysis: a complete course]. Moscow: Al'pina Pablisher, 2021, 804 p.
