Л. Э. Хайруллина , З.Н. Хакимов , Д.И. Галиев , А.Н. Хайруллина
208-219
2026-07-07
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.
Л.Э. Хайруллина , З. Н. Хакимов , Г.З. Хабибуллина
2024-10-08
Аннотация ▼
Любой временной ряд представляет собой сочетание полезной информации и шумов. По- этому в анализе финансовых временных рядов одним из ключевых моментов является предвари- тельная обработка данных с целью уменьшения шумовой компоненты. Одним из перспективных способов очистки временного ряда является трешолдинг – разложение сигнала на вейвлет-спектр до заданного уровня, обнуление тех вейвлет-коэффициентов разложения, значения которых меньше определенного порогового значения, и последующая вейвлет-реконструкция сигнала по аппроксимирующим и очищенным на каждом уровне детализирующим коэффициентам. Трешол- динг проводится с применением современных программных средств, среди которых исследователи чаще всего отдают предпочтение среде Matlab. В данной работе представлена демонстрация возможностей системы компьютерной математики Wolfram Mathematica в предварительной обработке финансовых данных. Wolfram Mathematica обладает мощным функционалом, позво- ляющим проводить качественную обработку временных рядов. Система содержит большую кол- лекцию семейств вейвлетов, множественные варианты дискретных и непрерывных вейвлет- преобразований. В качестве объекта исследования была выбрана история ежедневных котировок акций Сбербанка за последние 3 года. Анализ полученных результатов показал, что на качество очистки сигнала влияет выбор базисного вейвлета – в нашем случае предпочтительным оказалось использование вейвлета Добеши 6-го порядка. Максимальное отношение сигнал/шум достигается при жесткой пороговой обработке с порогом «SURELevel». Проведенные исследования показали, что вейвлет-трешолдинг над детализирующими коэффициентами вейвлет-разложения является эффективным методом подавления выбросов и флуктуаций временного ряда. Очищенный сигнал повторяет форму исходного сигнала, все пики хорошо выражены. При этом в краткосрочном прогнозе получаются более точные прогнозные значения.
