ВКР Исследование методов управления портфелем ценных бумаг на основе машинного обучения

В настоящее время происходит активное развитие методов искусственного интеллекта и их применение в различных прикладных областях, начиная с сельского хозяйства и заканчивая космическими исследованиями. В связи с нарастающей востребованностью важное место занимает управление портфелем ценных бумаг на фондовом рынке, в первую очередь это оценка и прогнозирование стоимости. Необходимо отметить, что прогноз ценовых котировок используется как для принятия финансовых решений, так и для оценки различных экономических показателей, т.к. фондовый рынок отражает состояние отдельных отраслей и всей экономики в целом. Увеличение объема биржевых данных и потока информации, влияющего на цены активов, привлекает в эту сферу как технических специалистов, так и ученых в области искусственного интеллекта и обработки больших данных.
Настоящая работа посвящена исследованию современных методов машинного обучения, направленных на решение сложной и актуальной задачи управления портфелем ценных бумаг на основе прогнозирования динамики фондовых рынков. В качестве модельной задачи рассматривается формирование краткосрочного прогноза котировок акций с целью принятия торговых решений, а также управление портфелем, состоящим из ценных бумаг одного эмитента. Для решения данной задачи, как правило, применяют два типа алгоритмов машинного обучения: обучение с учителем и обучение с подкреплением. В настоящем исследовании предполагается с применением языка программирования Python разработать модели на базе обоих типов алгоритмов. На основе имеющихся биржевых котировок, рассматривается задача извлечения дополнительной информации и информативных признаков. Исследуются вопросы оптимизации информативных признаков с целью формирования качественной обучающей выборки. Отдельный раздел посвящен проведению экспериментов с применением модели линейной регрессий, метода опорных векторов, алгоритма CatBoost, а также построении и использовании нейронной сети LSTM и алгоритма A2C. Методы исследования
В данной дипломной работе для решения задачи управления портфелем
ценных бумаг применяются современные методы машинного обучения.
В качестве источников информации использовалась российская и
зарубежная научная периодика, а также ресурсы сети интернет.
Структура работы
В первой главе дана постановка задачи, введение в рынок ценных бумаг
и обзор классических методов решения задачи управления портфелем ценных бумаг.
Во второй главе исследованы и формально описаны современные методы машинного обучения, используемые в частности для решения задачи управления портфелем ценных бумаг.
В третьей главе предложены методы и алгоритмы для управления портфелем ЦБ и прогнозирования стоимости акций. В четвёртой главе исследуются практические вопросы построения соответствующей информационной системы, проводятся экспериментальные исследования.
Апробация работы
Результаты, полученные в ходе выполнения работы, были представлены
на конференции Information and Telecommunication Technologies and Mathematical Modeling of High-Tech Systems 2021 (ITTMM 2021) г. Москва, 19-23 апреля 2021 г.
Публикации
По тематике выпускной работы бакалавра опубликована работа [1].

Оглавление
Список сокращений .................................................................................... 3
Введение ..................................................................................................... 4 1 Постановка и исследование методов решения задачи управления
портфелем ценных бумаг ..................................................................................... 7 1.1 Введение в рынок ценных бумаг ...................................................... 7 1.2 Постановка задачи ............................................................................. 9 1.3 Исследование современных методов и подходов к решению
задачи ............................................................................................................... 10
2 Современные методы машинного обучения и их применение для
решения задачи управления портфелем ЦБ ...................................................... 15 2.1 Модели обучения с учителем ......................................................... 15
2.2 Модели глубокого обучения ........................................................... 17
2.3 Модели обучения с подкреплением ............................................... 22
3 Разработка метода решения задачи ...................................................... 27
3.1 Алгоритмы для построения моделей прогнозирования стоимости ценных бумаг ................................................................................................... 27
3.2 Алгоритм для построения модели управления портфелем ценных бумаг ................................................................................................................ 34
4 Практическое исследование решения задачи....................................... 37 4.1 Инструменты и подготовка данных ............................................... 37 4.2 Построение и обучение моделей с учителем ................................. 45 4.3 Построение и обучение модели с подкреплением......................... 51
Вывод ........................................................................................................ 55 Список используемых источников .......................................................... 57 Приложения .............................................................................................. 60

Оригинальность по АП.Вуз на 11 февраля 2023 года более 70%.

В настоящей работе рассматриваются вопросы применения современных методов машинного обучения для управления портфелем ценных бумаг на фондовом рынке, в частности для прогнозирования стоимости. Актуальность тематики подчеркивается важностью учета динамики текущей рыночной ситуации при проведении аналитических исследований, составлении экономических прогнозов, а также при принятии финансовых решений. Увеличение объема различных факторов, влияющих на цену актива, предполагает необходимость работы с большими данными и подчёркивает важность применения методов искусственного интеллекта. В качестве математического аппарата для проведения исследований выбраны различные методы глубокого обучения и машинного обучения с учителем и с подкреплением. Для отработки указанных методов первой модельной задачей является осуществление краткосрочного прогноза котировок акций с целью принятия торговых решений, а второй - управление портфелем, состоящим из ценных бумаг одного эмитента. В статье затрагиваются важные вопросы формирования обучающих данных с дальнейшим выбором наиболее информативных признаков на основе биржевой информации и различных индикаторов. Для оптимизации исходных данных используется подход, заключающийся в удалении сильно коррелирующих между собой признаков и применении алгоритма RFE (Recursive feature elimination). Проводятся экспериментальные исследования с применением модели линейной регрессий, метода опорных векторов, алгоритма CatBoost, нейронной сети LSTM и алгоритма A2C. Даются выводы о возможности применения полученных результатов при принятии краткосрочных финансовых решений, а также выводы о работе алгоритма обучения с подкреплением, выполняющего функцию управления портфелем ценных бумаг.

1. Кравец Д.А. Исследование методов прогнозирования стоимости ценных
бумаг на основе машинного обучения. // Информационнотелекоммуникационные технологии и математическое моделирование высокотехнологичных систем: материалы Всероссийской конференции с международным участием. Москва, РУДН, 19–23 апреля 2021 г. — Москва: РУДН, 2021. — с. 218-223.
2. Алехин Б.И. Рынок ценных бумаг. Введение в фондовые операции. //
«Финансы и статистика», Москва, 1996. — 160 с.
3. Швагер Джек Д. Технический анализ. Полный курс. (Technical Analysis):
Пер. с англ. — М.: Альпина Паблишер, 2017, — 880 с. — ISBN: 978-5-9614-3737-9
4. Richard S. Sutton, Andrew G. Barto. Reinforcement Learning, second edition: An Introduction (Adaptive Computation and Machine Learning series) // Bradford Books; second edition, 2018. — 552 с. — ISBN-13: 978-0262039246
5. Хасти Т., Тибришани Р., Фридман Д. Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирование. Пер. с англ. — М.: Издательский дом «Вильямс», 2020 — с. 65-78 — ISBN: 978-5-907144-42-2
6. Vikramkumar, Vijaykumar B, Trilochan. Bayes and Naive Bayes Classifier. [Электронный ресурс] // Andhra Pradesh: India, Rajiv Gandhi University of Knowledge Technologies, 2014 — arXiv.org. 2001. URL: https://arxiv.org/abs/cond-mat/0106542 (дата обращения: 05.03.2021).
7. Mello A., Support Vector Machine: Theory and Practice [Электронный ресурс] // Towards Data Science, Medium, 2012. URL: https://towardsdatascience.com/support-vector-machine-theory-and-practice-13c2cbef1980 (дата обращения: 12.03.2021). — 2020.
8. Gulin.A: Yandex. Overview of CatBoost [Электронный ресурс] // CatBoost Documentation URL: https://catboost.ai/docs/concepts/ (дата обращения: 14.03.2021).
9. Schmidt R.M. Recurrent Neural Networks (RNNs): A gentle Introduction and Overview [Электронный ресурс] // Tübingen: Germany, Eberhard-Karls-University Tübingen, 2019 — arXiv.org. 2001. URL: https://arxiv.org/abs/1912.05911 (дата обращения: 15.03.2021).
10. Olah С. Understanding LSTM Networks [Электронный ресурс] // GitHub Pages, GitHub. 2008. URL: https://colah.github.io/posts/2015-08-Understanding-LSTMs/ (дата обращения: 28.03.2021) — 2015.
11. Yoon C., Understanding Actor Critic Methods and A2C [Электронный ресурс] // Towards Data Science, Medium, 2012. URL: https://towardsdatascience.com/understanding-actor-critic-methods-
931b97b6df3f (дата обращения: 12.03.2021). — 2019.
12. Kohli N., Feature Extraction & Stock Prediction using Machine Learning:
Streamlit based Application [Электронный ресурс] // Medium, 2012. URL: https://medium.com/@Nikhilkohli1/extracting-features-for-stock-prediction-streamlit-based-application-a97afc55d926 (дата обращения: 02.04.2021). — 2020.
13. Turin A., Machine Learning for Day Trading [Электронный ресурс] // Towards Data Science, Medium, 2012. URL: https://towardsdatascience.com/machine-learning-for-day-trading-
27c08274df54 (дата обращения: 07.04.2021). — 2019.
14. Kuhn M., Recursive Feature Elimination [Электронный ресурс] // GitHub
Pages, GitHub. 2008. URL: https://topepo.github.io/caret/recursive-feature-elimination.html (дата обращения: 12.04.2021) — 2019.
15. Botchkarev A., Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology [Электронный ресурс] // Toronto: Ontario, Canada. Ryerson University,
2018. — arXiv.org. 2001. URL: https://arxiv.org/abs/1809.03006 (дата обращения: 16.04.2021).
16. Moni R., Reinforcement Learning algorithms — an intuitive overview [Электронный ресурс] // SmartLab AI, Medium, 2012. URL: https://smartlabai.medium.com/reinforcement-learning-algorithms-an-
intuitive-overview-904e2dff5bbc (дата обращения: 17.04.2021). — 2019.
17. Yang B., FinRL: A Deep Reinforcement Learning Library for Quantitative
Finance [Электронный ресурс] // GitHub repository, GitHub. 2008. URL: https://github.com/AI4Finance-LLC/FinRL (дата обращения: 18.04.2021) — 2021.
18. Theate T., Ernst D., An Application of Deep Reinforcement Learning to Algorithmic Trading [Электронный ресурс] // Liege: Belgium, University of Liege, 2020. — arXiv.org. 2001. URL: https://arxiv.org/abs/2004.06627 (дата обращения: 18.04.2021).
19. Cournapeau D. и др., Scikit-learn Documentation Supervised learning [Электронный ресурс]: // Scikit-learn, 2007. URL: https://scikit-learn.org/stable/supervised_learning.html (дата обращения: 14.04.2021).
20. Hill A. и др., Stable Baselines Documentation [Электронный ресурс]: // Stable Baselines, 2018. URL: https://stable-baselines.readthedocs.io/en/master/modules/a2c.html (дата обращения: 19.04.2021).