Розробка систем підтримки прийняття рішень на основі машинного навчання з мульти-таймфреймними даними для алгоритмічної торгівлі на ринку Форекс

Анотація

Ефективнiсть систем пiдтримки прийняття рiшень (СППР) на ринку iноземних валют (FOREX) критично залежить вiд обраного таймфрейму та цiльової функцiї машинного навчання (ML-цiль). Необхiднiсть визначення оптимального поєднання цих факторiв обумовлює актуальнiсть даного дослiдження. Метою роботи є розробка та здiйснення порiвняльного аналiзу продуктивностi трьох архiтектур СППР (Системи A, B та C) для встановлення оптимального математичного формулювання задачi прогнозування ринку. Було iмплементовано три архiтектури: Система А базується на регресiйному прогнозуваннi; Система В використовує класифiкацiю на ознаках одного таймфрейму (15М); Система С застосовує класифiкацiю з використанням мульти-таймфреймних ознак. Навчання моделей проведено на iсторичних даних, а їхня ефективнiсть верифiкована шляхом бектесту проведеного на незалежному (OOS) наборi даних. Проведено дослiдження впливу мульти-таймфреймних ознак та ML-цiлi на продуктивнiсть СППР для активу XAU/USD. За результатами порiвняльного аналiзу, Система С продемонструвала винятковi результати, перевершивши iншi архiтектури: загальна прибутковiсть склала 3283,69%, а максимальна просадка (Max Drawdown) — лише 2,07%. Перспективи подальших дослiджень включають: розробку iнтегрованої методологiї управлiння ризиками на базi ML-моделей; впровадження механiзмiв раннього закриття позицiй (зокрема, Trailing SL); та вдосконалення СППР для компенсацiї деградацiї моделi.

Класифікація

Ідентифікатори

Схожі роботи