Metody uczenia maszynowego w analizie notowań na giełdzie

Abstract

W niniejszej pracy zatytułowanej ”Metody uczenia maszynowego w analizie notowań na giełdzie” zbadano możliwość zastosowania algorytmu uczenia maszynowego w prognozowaniu zwrotów z kupna akcji dla wybranych horyzontów miesięcznych oraz podejmowanie decyzji w oparciu o te prognozy. Celem pracy jest nauczenie modelu lasu losowego,który działa w oparciu o zmienne stworzone podczas inżynierii cech. Do tych zmiennych zaliczają się wskaźniki z analizy technicznej oraz fundamentalnej. We wstępie przedstawiono problem biznesowy oraz obecnie stosowane rozwiązania na podstawie literatury. Opisano analizy stosowane przez inwestorów, wskaźniki z tych analiz wykorzystywane są przez algorytm uczenia maszynowego. Przedstawiono wymagania jakie powinien spełniać model oraz w następnej części opisano metodologię związaną z predykcją zwrotów oraz podejmowaniem decyzji inwestycyjnych. Opisana została architektura tego rozwiązania oraz przyjęto reguły w podziale danych na podzbiory, wyboru hiperparametrów. Przyjęto konserwatywne zasady, aby nie doszło do wycieku danych oraz wyniki były takie same jakie model uzyskałby podczas zastosowania ich w rzeczywistych inwestycjach. Rozważono wyniki stworzonego rozwiązania zwracając szczególną uwagę na wykorzystanie tych modeli w procesie decyzyjnym inwestora. Za zbiór testowy przyjęto okres od początku stycznia do końca maja 2022 roku. Na zakończenie wyciągnięto wnioski i podsumowano pracę.