Применение машинного обучения и статистических методов в краткосрочной биржевой торговле

Журнал «KANT» №1(54) 2025 [стр. 114-122]

DOI: 10.24923/2222-243X.2025-54.17

Авторы: Митрюхина Екатерина Андреевна, магистрант, Кудинов Дмитрий Андреевич, магистрант, МИРЭА – Российский технологический университет, Москва, Жуков Александр Данилович, аспирант, Государственный университет управления, Москва

Ключевые слова: биржевая торговля; машинное обучение; ARIMA; дерево регрессии; алгоритмическая торговля; прогнозирование цен; финансовые рынки.

Цитировать: Митрюхина Е.А., Кудинов Д.А., Жуков А.Д. Применение машинного обучения и статистических методов в краткосрочной биржевой торговле // KANT. – 2025. – №1(54). – С. 114-122. EDN: FLRJVU. DOI: 10.24923/2222-243X.2025-54.17

В работе представлена модель краткосрочной биржевой торговли с использованием машинного обучения и математических моделей. Исследование основано на данных трех активов: фьючерса на золото, акций компании Apple и криптовалюты Bitcoin. Для анализа и прогнозирования ценовых движений применялись модели ARIMA и деревья регрессии. Цель исследования – определить эффективность применения методов машинного обучения и статистических моделей в прогнозировании цен активов на финансовых рынках для краткосрочной биржевой торговли. В статье рассматриваются математические модели ARIMA и Random Forest Regressor, применяемые к временным рядам цен на золото, акции Apple и криптовалюта – биткоин. Акцентировано внимание на сравнении точности прогнозов, выявлении трендов и создании торговых стратегий на основе полученных результатов. Научная новизна заключается в интеграции методов машинного обучения и традиционных статистических подходов для повышения точности краткосрочных прогнозов на финансовых рынках, а также в разработке алгоритмической торговой стратегии с использованием гибридного подхода. В результате выявлены преимущества моделей Random Forest Regressor в условиях высокой волатильности и значительной сезонности активов. Сочетание методов позволило снизить риски и увеличить прибыльность краткосрочной биржевой торговли, что подтверждено симулированным анализом торговых операций с различными активами. Проведенный анализ продемонстрировал эффективность предложенных моделей, которые обеспечивают высокую точность прогнозирования краткосрочных изменений цен на исследуемые активы. Результаты показывают, что применение машинного обучения в сочетании с традиционными математическими подходами способствует улучшению результатов торговли на финансовых рынках.

скачать

Литература:
1. Ежкин В.Д. Прогнозирование цены Bitcoin / В.Д. Ежкин, М.В. Радионова // Экономика и бизнес: теория и практика. – 2024. – №7(113). – С. 88-93. – https://doi.org/10.24412/2411-0450-2024-7-88-93. – EDN MUQRYG.
2. Ермолаев М.Б. Опыт прогнозирования стоимости биткоина на основе ARIMA-моделей / М.Б. Ермолаев, Д.Н. Тарханян // Проблемы экономики, финансов и управления производством: сб. науч. тр. вузов России. – 2022. – №51. – С. 177-180. EDN NGLIJY.
3. Зелезецкий Д.В. Глубокое обучение в задаче прогнозирования финансовых временных рядов / Д.В. Зелезецкий // ТРУДЫ МФТИ. Труды Московского физико-технического института (национального исследовательского университета). – 2024. – Т. 16, №3(63). – С. 35-48. – EDN QCAFHD.
4. Кузнецова Ю.В. Применение искусственного интеллекта в инвестициях / Ю.В. Кузнецова, А.С. Лебедева // Актуальные проблемы экономики и управления. – 2023. – №1(12). – С. 225-228. – https://doi.org/10.52899/978-5-88303-660-5_225. – EDN VRTZUQ.
5. Ладынин А.И. Прогнозирование краткосрочных индикаторов экономической безопасности с использованием алгоритмов адаптивной фильтрации временных рядов / А.И. Ладынин, Е.С. Митяков // Развитие и безопасность. – 2021. – №1(9). – С. 42-54. – https://doi.org/10.46960/2713-2633_2021_1_42. – EDN LRCPSO.
6. Нестерова К.И. Обзор современных методов прогнозирования динамики цен на фондовом рынке / К.И. Нестерова // Наукосфера. – 2020. – №7. – С. 91-95. – EDN KORUJF.
7. Топунова И.Р. Внедрение искусственного интеллекта в биржевую торговлю / И.Р. Топунова, И.М. Сафаров, В.В. Еншов // Экономика и управление: проблемы, решения. – 2024. – Т. 8, №3(144). – С. 116-122. – https://doi.org/10.36871/ek.up.p.r.2024.03.08.018. – EDN AYVJHF.
8. Шилов К.Д. Эволюция криптовалюты биткоин как финансового актива / К.Д. Шилов, А.В. Зубарев // Финансы: теория и практика. – 2021. – Т. 25, №5. – С. 150-171. – https://doi.org/10.26794/2587-5671-2021-25-5-150-171. – EDN HRIVRT.
9. Щербинина А.В. Сравнительный анализ качества прогнозирования классической статистической модели и модели машинного обучения на данных российского фондового рынка / А.В. Щербинина, А.В. Алжеев // Ученые записки Российской Академии предпринимательства. – 2021. – Т. 20, №3. – С. 52-63. – https://doi.org/10.24182/2073-6258-2021-20-3-52-63. – EDN YUYYYT.
10. Guo Y., Li T. The empirical research of ARMA-GARCH models based on high frequency data // Journal of Physics: Conference Series. – IOP Publishing. 2019. 1325(1). Рр. 012132. https://doi.org/10.1088/1742-6596/1325/1/012132
11. Hamidieh K. A Data-driven statistical model for predicting the critical temperature of a superconductor // Computational Materials Science. 2018. №154. Рр. 346-354. https://doi.org/10.48550/arXiv.1803.10260
12. Htun H.H., Biehl M., Petkov N. Forecasting relative returns for S&P 500 stocks using machine learning // Financial Innovation. 2024. 10:118. https://doi.org/10.1186/s40854-024-00644-0
13. Investing.com – котировки и финансовые новости. URL: https://www.investing.com/ (дата обращения: 17.11.2024)
14. Li Y., Jiang S., Li X. et al. Hybrid data decomposition-based deep learning for Bitcoin prediction and algorithm trading // Financial Innovation. 2022. 8:31. https://doi.org/10.1186/s40854-022-00336-7
15. Nargunam R., Wei W.W.S. & Anuradha N. Investigating seasonality, policy intervention and forecasting in the Indian gold futures market: a comparison based on modeling non-constant variance using two different methods // Financial Innovation. 2021. 7:62. https://doi.org/10.1186/s40854-021-00283-9
16. Shmeleva A.G. Industrial management decision support system: From design to software / A.G. Shmeleva, A.I. Ladynin // Proceedings of the 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, ElConRus 2019, Saint Petersburg – Moscow, 28-30 января 2019 года. – Saint Petersburg – Moscow: Institute of Electrical and Electronics Engineers Inc., 2019. – Pр. 1474-1477. – https://doi.org/10.1109/EIConRus.2019.8657313. – EDN KMYKNI.
17. Xiong X., Cui Y., Yan,X. et al. Cost-benefit analysis of trading strategies in the stock index futures market // Financial Innovation. 2020. №6:32. https://doi.org/10.1186/s40854-020-00191-4

Machine learning and statistical methods in short-term stock trading

Authors: Mitryukhina Ekaterina Andreyevna, Undergraduate student, Kudinov Dmitry Andreevich, Undergraduate student, MIREA – Russian Technological University, Moscow, Zhukov Alexander Danilovich, Postgraduate student, State University of Management, Moscow

Keywords: stock trading; machine learning; ARIMA; regression tree; algorithmic trading; price forecasting; financial markets.

This paper presents a model of short-term stock trading using machine learning and mathematical models. The study is based on data from three assets: gold futures, Apple shares and bitcoin. ARIMA models and regression trees were used to analyze and predict price movements. The developed indicator system allows you to assess the dynamics of the market and make informed trading decisions. The analysis demonstrated the effectiveness of the proposed models, which provide high accuracy in forecasting short-term price changes for the assets under study. The results show that the use of machine learning in combination with traditional mathematical approaches contributes to improving trading results in financial markets. The purpose of the study is to determine the effectiveness of using machine learning methods and statistical models in predicting asset prices in financial markets for short-term stock trading. The article discusses the mathematical models ARIMA and Random Forest Regressor applied to time series of prices for gold, Apple shares and bitcoin. Attention is focused on comparing the accuracy of forecasts, identifying trends and creating trading strategies based on the results obtained. The scientific novelty lies in the integration of machine learning methods and traditional statistical approaches to improve the accuracy of short-term forecasts in financial markets, as well as in the development of an algorithmic trading strategy using a hybrid approach. As a result, the advantages of Random Forest Regressor models in conditions of high volatility and significant seasonality of assets are revealed. The combination of methods made it possible to reduce risks and increase the profitability of short-term exchange trading, which is confirmed by imitation of trading operations with various assets.