кандидат экономических наук;
candidate of economic sciences;
В статье представлен сравнительный анализ моделей машинного обучения для прогнозирования курса акций. Охарактеризован процесс алгоритмического трейдинга. Рассмотрено использование искусственного интеллекта на фондовом рынке, преимущества и недостатки его применения. Выбраны модели машинного обучения: линейная регрессия и случайный лес, дана их характеристика. Определены метрики для оценки качества прогнозов и представлено их математическое описание. Выполнено обучение и тестирование моделей, получены прогнозируемые значения, найдены необходимые метрики. Все расчеты, анализ, машинное обучение выполнены в среде программирования Python с подключение библиотек Pandas, Numpy, Matplotlib, Sklearn. В результате модель случайного леса оказалась наиболее надежной с учетом высокой точности и минимизации ошибок, для модели линейной регрессии среднеквадратическая ошибка и средняя абсолютная ошибка больше почти на 90%.
The article presents a comparative analysis of machine learning models for stock price forecasting. The process of algorithmic trading is characterized. The use of artificial intelligence in the stock market, the advantages and disadvantages of its application are considered. The models of the machine learning model are selected: linear regression and random forest, and their characteristics are given. Metrics for assessing the quality of forecasts are defined and their mathematical description is presented. Training and testing of models were performed, predicted values were obtained, and the necessary metrics were found. All calculations, analysis, and machine learning are performed in the Python programming environment using the Pandas, Numpy, Matplotlib, and Sklearn libraries. As a result, the random forest model turned out to be the most reliable, taking into account high accuracy and error minimization, for the linear regression model, the standard error and the average absolute error are almost 90% greater