Разработка методов прогнозирования точек разворота на многомерных временных рядах финансовых рынков на основе моделей машинного обучения с подкреплением

В работе представлены методы, разработанные автором для решения задач прогнозирования точек разворота на многомерных временных рядах финансовых рынков, основанные на моделях машинного обучения с подкреплением. Показано, что модели машинного обучения позволяют достичь более высоких результатов, если они используются в качестве фильтров сигналов алгоритмической стратегии. Предложен двухэтапный метод оптимизации гибридной стратегии, в рамках которого на первом этапе решается задача многокритериальной оптимизации параметров алгоритмической стратегии, а на втором этапе выполняется обучение с подкреплением нейронной сети. Разработана комбинированная модель многомерного временного ряда, сочетающая в себе первичные признаки, вычисленные алгоритмически вторичные признаки и построенные на основе ленты сделок третичные признаки. Описанные модели и методы являются универсальными и могут быть применены для управления позициями в финансовых инструментах на любых фондовых, товарных и валютных рынках.