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.
