М.В. Добрина1, В.К. Каверина2
1,2 Финансовый университет при Правительстве РФ (Москва, Россия)
1 MVDobrina@fa.ru, 2 vkkaverina@fa.ru
Постановка проблемы. В настоящее время инвестирование является одним из самых популярных инструментов роста дохода. Одним из возможных привлекательных вариантов инвестирования является разработка торговых роботов, способных предположительно адаптироваться к меняющимся рыночным условиям и обеспечивать высокую доходность для инвесторов. Особенно перспективным направлением становится использование обучения с подкреплением в торговых роботах, поскольку это позволяет им эффективно анализировать и принимать решения на основе сложных данных.
Цель. Разработать торгового робота на базе модели глубокого обучения, способного предположительно адаптироваться к меняющимся рыночным условиям и обеспечивать высокую доходность для инвесторов.
Результаты. Проанализирован датасет криптовалютной пары BTC (Bitcoin) – USDT (Tether) за 2017–2023 гг. Выполнена визуализация цены открытия, оценена корреляция данных. Создана модель глубокого обучения.
Практическая значимость. Применение методов машинного обучения в разработке торговых роботов способно обеспечить оптимальное решение задачи максимизации доходности инвестиционного портфеля в условиях постоянно меняющихся рыночных реалий. Данный материал может быть интересен и полезен как для инвесторов – новичков, так и для опытных трейдеров.
Добрина М.В., Каверина В.К. Машинное обучение в трейдинге: торговый робот на базе модели глубокого обучения // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 49-54. DOI: https://doi.org/10.18127/j19998554-202406-07
- Chan E. Algorithmic Trading: Winning Strategies and Their Rationale. John Wiley & Sons. 2013 г. 224 p.
- Chan E. Quantitative Trading: How to Build Your Own Algorithmic Trading Business. John Wiley & Sons. 2021. 256 p.
- Добрина М.В., Алексейко М.Д., Цеско Е.Э. Рынок электронной коммерции: сущность и направления совершенствования // Материалы XVII Всеросс. науч.-практич. интернет-конф. «Электронный бизнес: проблемы, развитие и перспективы». 2019. С. 119–122.
- Добрина М.В., Шишацский А.В. Инструментальные методы прогнозирования на криптовалютном рынке // Материалы XIV Междунар. науч.-практич. конф. «Экономическое прогнозирование: модели и методы». 2018. С. 131–136.
- Чеботарев Ю.А. Торговые роботы на российском фондовом рынке. М.: СмартБук. 2011. 160 с.