МЕТОДИКА СИСТЕМНОГО АНАЛІЗУ ДЛЯ ТОРГІВЛІ ФІНАНСОВИМИ АКТИВАМИ ІЗ ВИКОРИСТАННЯМ ТЕХНІЧНИХ ІНДИКАТОРІВ У МОДЕЛЯХ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.32689/maup.it.2025.3.23Ключові слова:
машинне навчання, технічні індикатори, криптовалютний ринок, задачі класифікаціїАнотація
Стаття присвячена розробці методики системного аналізу, що складається з дев’яти кроків, для торгівлі фінансовими активами. Ця методика включає етапи підготовки даних для аналізу, побудови математичних моделей та аналізу результатів тестування. Особливістю методики є використання таких технічних індикаторів, як смуги Боллінджера, стохастичний осцилятор та параболічний індикатор зупинки і розвороту.Мета статті. Розробити методику системного аналізу для торгівлі фінансовими активами.Методологія. На основі запропонованої методики системного аналізу, було реалізовано комп’ютерну програму.Із використанням цієї програми було проведено низку обчислювальних експериментів на реальних статистичних даних, що дозволило порівняти використання таких технічних індикаторів фінансового ринку, як смуги Боллінджера, стохастичний осцилятор та параболічний індикатор зупинки і розвороту, при розробці моделей машинного навчання для прогнозування динаміки цін.Наукова новизна. Представлено покрокову методику системного аналізу для торгівлі фінансовими активами. Запропоновану методику реалізовано у вигляді комп’ютерної програми. Виконано аналіз та порівняння використання різних технічних індикаторів фінансового ринку на реальних статистичних даних.Висновки. Було з’ясовано, що при використанні різних технічних індикаторів для математичної моделі у вигляді випадкового лісу рішень, найкращі результати прогнозування показую стохастичний осцилятор, після нього за отриманими результатами моделювання йдуть смуги Боллінджера, а найгірший результат надала модель із використанням індикатора зупинки і розвороту.
Посилання
Комп’ютерна програма “ML technical indicators for Crypto”. URL: https://github.com/oterentiev/ml-techical-indicators-for-crypto (date of access: 12.08.2025).
Bollinger J. A. Bollinger on Bollinger Bands. McGraw Hill, 2001. 227 p. ISBN-13: 978-0071373685.
Deep A., Monico C., Shirvani A., Rachev S., Fabozzi F. Assessing the Impact of Technical Indicators on Machine Learning Models for Stock Price Prediction. 2024. 22 p. URL: https://arxiv.org/html/2412.15448v1 (date of access: 12.08.2025).
Lakhwan D., Dave A. Determining the most efficient technical indicator of investing in financial markets based on trends, volume, momentum and volatility. Myśl Ekonomiczna i Polityczna. No. 3 Vol. 70. 2020 P. 64–137. URL: https://bazekon.uek.krakow.pl/rekord/171628292 (date of access: 14.08.2025).
Mostafavi S. M., Hooman A. R. Key technical indicators for stock market prediction. Machine Learning with Applications. Volume 20, June 2025. 16 p. Online ISSN: 2666-8270.
Murphy J. J. Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance, 1999. 576 p. ISBN-13: 978-0735200661
Optuna: A hyperparameter optimization framework. URL: https://optuna.readthedocs.io/en/stable/ (date of access: 15.08.2025).
Paik C., Choi J., Vaquero I. U. Algorithm-based low-frequency trading using a stochastic oscillator, Williams %R, and trading volume for the S&P 500. Journal of Risk and Financial Management. Vol. 17 No.11 Art. 501. 2024. 20 p. DOI: http://dx.doi.org/10.3390/jrfm17110501
Prasetijo A. B., Saputro T. A., Windasari I. P., Windarto Y. E. Buy/sell signal detection in stock trading with Bollinger Bands and Parabolic SAR: With web application for proofing trading strategy. Proceedings of the 2017 4th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), Piscataway NJ, 2017. P. 41–44. DOI: http://dx.doi.org/10.1109/ICITACEE.2017.8257672
Precious Metal Market Summary. URL: https://www.grandviewresearch.com/industry-analysis/precious-metals-market (date of access: 16.07.2025).
Roussi R. YFinance – Yahoo! Finance Market Data Downloader. URL: https://ranaroussi.github.io/yfinance/ (date of access: 16.07.2025).
Scornet E., Biau G., Vert J.-P. Consistency of Random Forests. Annals of Statistics. Vol. 43, No. 4. 2015. 1716–1741 p. DOI: http://dx.doi.org/10.1214/15-AOS1321
Sharpe W. F. The Sharpe Ratio. Journal of Portfolio Management. Vol. 21, No. 1. 1994. P. 49–58. DOI: http://dx.doi.org/10.3905/jpm.1994.409501
UK – London Stock Exchange Market Capitalization. URL: https://en.macromicro.me/series/4227/uk-london-market-cap?utm_source=chatgpt.com (date of access: 16.07.2025).
Wilder W. New Concepts in Technical Trading Systems Hardcover. Trend Research, 1978. 141 p. ISBN-13 : 978-0894590276
Zhang J., Cai K., Wen J. A survey of deep learning applications in cryptocurrency. iScience. vol. 27, 2024. 40 p. URL: https://doi.org/10.1016/j.isci.2023.108509 (date of access: 12.08.2025).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
