ОПТИМИЗАЦИЯ АЛГОРИТМА ПРИМЕНЕНИЯ МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ «RANDOM FOREST REGRESSION» ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ПРОГНОЗИРОВАНИЯ ЦЕНЫ ФИНАНСОВОГО АКТИВА
DOI:
https://doi.org/10.25806/uu22024412-418Ключевые слова:
DL-модель, финансовая сфера, точность прогноза, фьючерсный контракт SiH4, Random Forest Regression, биржевые роботыАннотация
Аннотация
В современных условиях, обусловленных широкомасштабным применением искусственного интеллекта во всех сферах человеческой деятельности, важное значение имеет успешное применение DL-моделей в финансовой сфере, в алгоритмах биржевых торговых системах. Практика показывает, что обучение с учителем имеет широкие возможности. При таком подходе используются прошлые помеченные данные, которые используются для прогнозирования будущего путем выявления закономерностей в этих данных. К такому типу обучения относятся модели линейной регрессии и логистической регрессии. Рассмотрены подходы в формировании прогноза цены финансового актива – фьючерсного контракта на доллар SiH4 с применением системы искусственного интеллекта. Актуальность исследования состоит в том, что в современных условиях все чаще используются нейросети для формирования прогнозов цен финансовых активов на биржевом рынке. Научная новизна – в том, что выдвинута и доказана гипотеза, что, меняя тайм-фрейм от 1 часового, до 15 минутного и 1 минутного и можно повысить точность прогноза цены, используя DL-модель «Random Forest Regression». В ходе исследования были построены три DL-модели на разных тайм-фреймах. Практическая значимость в том, что результаты исследования могут быть использованы на практике в алгоритмах биржевых торговых роботах, что повышает результативность при проведении спекулятивных биржевых операций.
Список литературы
Abdalmuttaleb M.A. Artificial Intelligence for Sustainable Finance and Sustainable Technology. M. Al-Sartawi. ICGER: The International Conference On Global Economic Revolutions, LNNS. 2021. Vol. 423. Р. 15-16.
Индустрия 4.0: Big Data, цифровизация и рост экономики. [Электронный ресурс]. URL: https://habr.com/ru/post/507822/ (дата обращения 24.01.2024)
Zhan N., Sun Y., Jakhar A. and Liu H. Graphical Models for Financial Time Series and Portfolio Selection. Published at ACM International Conference on AI in Finance (ICAIF '20) 2021. [Электронный ресурс]. URL: https://arxiv.org/format/2101.09214 (дата обращения 24.01.2024)
Ломакин Н.И., Юрова О.В., Терехов Т.В., Шабанов Н.Т. Разработка робо-эдвайзера на основе искусственного интеллекта по методу «Случайный лес» как фактор повышения инвестиционной активности населения // п-Economy. 2023. Т. 16, № 3. C. 7-21. DOI: 10.18721/JE.16301.
Louppe G., Wehenkel L., Sutera A. and Geurts P. Understanding variable importances in forests of randomized trees. 2020. P. 9-10. [Электронный ресурс]. URL: https://proceedings.neurips.cc/paper/2013/file/e3796ae838835da0b6f6ea37bcf8bcb7-Paper.pdf (дата обращения 24.01.2024).
1min_Chip-bot_simple_SiU3_Model_RFRegressor. [Электронный ресурс]. URL: https://colab.research.google.com/drive/1-m7YjzytbBvqqoicwhx1ITOiBZQl72cw?usp=sharing (дата обращения 29.01.2024).
Lomakin N., Kulachinskaya A., Maramygin M., Chernaya E. Improving Accuracy and Reducing Financial Risk When Forecasting Time Series of SIU0 Future Contracts Employing Neural Network with Word2vec Vector News. Studies in Systems, Decision and Control this link is disabled. 2022. Vol. 415. P. 281-298.
Ломакин Н.И., Кулачинская А., Цыганкова В.Н., Кособокова Е., Минаева О.А., Трунина В.Ф. Forecast of Stability of the Economy of the Russian Federation with the AI-System “Decision Tree” in a Cognitive Model // International Journal of Technology (IJTech). 2023. Vol. 14, Is. 8. P. 1800-1809. DOI: 10.14716/ijtech.v14i8.6848.
Ломакин Н.И., Голодова О., Марамыгин М., Кузьмина Т., Минаева О.А. Hybrid Cyber-Physical System QUIK-LUA-Random Forest for Trading on MoEx // Creativity in Intelligent Technologies and Data Science: 5th International Conference CIT&DS 2023 (Volgograd, Russia, September 11-15, 2023): Proceedings / eds.: A.G. Kravets, M.V. Shcherbakov, P.P. Groumpos; Volgograd State Technical University [et al.]. Cham (Switzerland): Springer Nature Switzerland AG, 2023. P. 64-79. DOI: 10.1007/978-3-031-44615-3_5.
Xiaoling C., Yongheng D., Desmond T. Firm Leverage and Stock Price Crash Risk: The Chinese Real Estate Market and Three-Red-Lines Policy // The Journal of Real Estate Finance and Economics. 2023. [Электронный ресурс]. URL: https://link.springer.com/article/10.1007/s11146-023-09953-0 (дата обращения 24.01.2024).
Xiaoying D., Chong L., Seow E.O. Shadow Bank, Risk-Taking, and Real Estate Financing: Evidence from the Online Loan Market // The Journal of Real Estate Finance and Economics. 2023. [Электронный ресурс]. URL: https://link.springer.com/article/10.1007/s11146-022-09936-7 (дата обращения 24.01.2024).
Franklin A., Qian Y., Guoqian Tu., Frank Yu. Entrusted loans: A close look at China's shadow banking system // Journal of Financial Economics. 2019. Vol. 133, Is. 1. P. 18-41. DOI: 10.1016/j.jfineco.2019.01.006.