Разработка инвестиционных стратегий с использованием машинного обучения на российском фондовом рынке
  • Войти
  • RU | EN
Статьи, Журналы

Разработка инвестиционных стратегий с использованием машинного обучения на российском фондовом рынке

Разработка инвестиционных стратегий с использованием машинного обучения на российском фондовом рынке
Статьи, Журналы

Разработка инвестиционных стратегий с использованием машинного обучения на российском фондовом рынке

Ларькова, Е.А. Разработка инвестиционных стратегий с использованием машинного обучения на российском фондовом рынке : (на примере индекса Московской биржи) / Е. А. Ларькова // Финансовые рынки и банки. — Москва, 2024 — N 7. — С.131-137. — Библиогр. в конце ст.
Выпуск
Финансовые рынки и банки, 2024, N 7
Источник

Аннотация

В статье выделяются возможности использования машинного обучения для построения инвестиционных стратегий на российском фондовом рынке. В качестве примера взят индекс Московской биржи. Актуальность исследования обусловлена тем, что машинное обучение стало новой эффективной стратегией, которую для увеличения доходов используют многие инвестиционные фонды. В центре внимания аналитиков находится задача оценки будущей стоимости акций определенных фирм, что критически важно для увеличения капитала как для самих компаний, так и для инвесторов. В недавние годы, благодаря прогрессу в областях машинного обучения, анализе и обработке данных, а также совершенствованию систем хранения информации, наблюдается стремительное развитие алгоритмичной торговли. Это, в свою очередь, стимулирует высокую конкурентоспособность на рынке, подталкивая к инновациям и поиску новаторских подходов в финансовой индустрии. Закономерности развития в движении котировок финансовых инструментов носит непредсказуемый характер, усиливая уровень неопределенности и риска для участников рынка. В ответ на это, различные стратегии, основанные на машинном обучении, стремятся найти уникальные подходы для снижения этих трудностей, несмотря на отсутствие каких-либо стабильных закономерностей в этих колебаниях. В результате исследования представлена модель прогнозирования значения индекса с помощью языка Python и соответствующих библиотек для работы с временными рядами (statsmodel, pandas, numpy) и визуализации данных (matplotlib).

Ключевые слова

  • УДК:
    336.76(470)

Рекомендовано к ознакомлению

Отзывы читателей

0