кандидат технических наук;
candidate of technical sciences;
кандидат технических наук;
candidate of technical sciences;
В современных исследованиях фондового рынка специалисты и ученые совершенствуют алгоритмы и модели, сочетая их между собой, со стратегиями и рыночными условиями для отбора акций. В данной работе представлен обзор моделей отбора акций для количественного инвестирования, который явился основой для предложенной процедуры и алгоритма количественного инвестирования, позволяющие моделировать процесс инвестирования. В основе разработанного алгоритма лежат дерево решений CART и Random Forest, который включает алгоритм. Алгоритм bagging делит обучающее множество на несколько новых обучающих множеств, которые строят собственные модели вычислений, а затем их результаты суммируются и интегрируются для получения окончательного прогноза. Случайность Random Forest проявляется в процессе выбора образцов из набора данных для обучения и при выборе характеристик для вычисления лучших точек разделения. Однако, предложенная стратегия более стабильна, чем другие стратегии подбора акций, больше подходит для построения количественных моделей подбора акций, предложенный алгоритм имеет преимущество перед другими алгоритмами, а также более перспективна для дальнейшего развития.
In modern research of the stock market, specialists and scientists are improving algorithms and models, combining them with each other, with strategies and market conditions for stock selection. This paper presents an overview of stock selection models for quantitative investment, which was the basis for the proposed procedure and algorithm of quantitative investment, which allow modeling the investment process. The developed algorithm is based on the CART decision tree and Random Forest, which includes the bagging algorithm. The bagging algorithm divides the training set into several new training sets that build their own calculation models, and then their results are summed and integrated to obtain the final prediction. The randomness of Random Forest comes into play in the process of selecting samples from the training dataset and in selecting features to calculate the best split points. However, the proposed strategy is more stable than other stock selection strategies, is more suitable for building quantitative stock selection models, the proposed algorithm has an advantage over other algorithms, and is also more promising for further development.