Введение 1
Особенности использования биржевых данных 3
Общие подходы к оценке работы прогностических алгоритмов и биржевых стратегий 5
Обзор подходов к биржевой торговле 6
1. Стратегии на основе скользящих средних 6
2. Стратегии, опирающиеся на прогностические модели 6
a. ARMA &GARCH 6
b. Нейросети для задачи бинарной классификации 6
c. Random Forest для задачи бинарной классификации 7
d. Q-learning 7
Неаксиоматическая система рассуждений: обзор способов применения 8
1. Схема работы NARS 8
2. NARS и RL 9
3. Сильные и слабые стороны NARS в контексте прогнозирования 10
4. Рассмотренные подходы к использованию NARS: 10
Анализ реализаций 12
Общие результаты 12
Некоторые особенности 13
Заключение 15
Перспективы применения NARS 16
Глоссарий 17
Список литературы 18
Приложения 19
Существует множество подходов к автоматизации биржевой торговли, в первую очередь - подходов к анализу биржевых данных и составлению прогнозов, на основе которых строятся торговые стратегии.
Наиболее распространенные подходы не рассматривают прогнозирование и биржевую торговлю как задачи общего искусственного интеллекта. Однако взгляд на проблемы этой области как на задачи общего ИИ имеет свои преимущества.
Неаксиоматическая система рассуждений (NARS), один из подходов к разработке общего ИИ, строится с учетом важных предпосылок об окружающем мире и проектируется как система, стремящаяся к адаптации (на данный момент выпущены только первые версии NARS).
В настоящее время изучается способность NARS решать множество различных прикладных задач.
Целью данной работы является разработка подхода к прогнозированию биржевых цен с использованием NARS. А также проведение сравнительного анализа с существующими системами, основанными на открытых (опубликованных, известных) прогнозных моделях.
Для достижения данной цели требуется решить следующие задачи:
1) Сбор информации о существующих подходах к прогнозированию биржевых данных,
2) Поиск и анализ источников данных об акциях Московской биржи,
3) Разработка общего интерфейса для работы и проведение сравнительного анализа реализованных в библиотеках алгоритмов прогнозных моделей,
4) Реализация известных алгоритмов, не найденных в библиотеках. Сравнительный анализ алгоритмов с графиками реальных и спрогнозированных стоимостей пакетов акций,
5) Разработка прогнозной модели, использующей неаксиоматическую систему рассуждений (NARS), возможно, вместе с подходами, рассмотренными выше.
6) Сравнение результатов работы прогнозной модели, основанной на NARS, с другими моделями, выявление сильных и слабых сторон разработанного алгоритма
Ни один из рассмотренных подходов не предсказал рост или падение цены акции с удовлетворительной точностью. NARS слаб в качестве прогнозной модели в отдельности, однако способен обобщать прогнозы других моделей.
Источники данных котировок различных акций успешно изучены, написан код для накопления, хранения и обработки посуточных и поминутных данных.
Модуль программы, анализирующий реализации различных прогнозных алгоритмов, выводящий для них различные численные показатели и графики, работает исправно.
Разработанная прогнозная модель, использующая неаксиоматическую систему рассуждений NARS и предсказания других моделей, показывает хорошую обучаемость, однако качество прогнозов не лучше, чем у входных источников.
