Дмитриев А.С.аспирант департамента банковского дела и финансовых рынков, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация alex.inc2015@yandex.ru ORCID id: отсутствует SPIN-код: 9721-7046
Предмет. Методы интеллектуального анализа данных и их применимость на рынке ценных бумаг. Цели. Выявить особенности применения на фондовом рынке современных методов интеллектуального анализа данных, обозначить основные постулаты для построения комбинированной модели интеллектуального анализа данных. Методология. Использованы логический и системный подходы, общенаучные методы анализа и синтеза, сравнительного анализа. Результаты. На основе анализа научных работ и моделей, предложенных авторами этих исследований, выявлены особенности применения на фондовом рынке современных методов интеллектуального анализа данных. В соответствии с результатами, которых добились авторы рассматриваемых работ, обозначены основные постулаты для построения модели интеллектуального анализа данных. Область применения. Результаты могут быть использованы участниками финансового рынка, органами государственной власти, а также научно-исследовательскими и образовательными организациями. Выводы. Совмещение нескольких методов, практикуемых в различных моделях интеллектуального анализа данных, и использование при этом инструментария фундаментального и технического анализа и механизма идентификации волатильности активов дает возможность создать принципиально новую комбинированную систему анализа стоимости и доходности активов и портфельного управления.
Ключевые слова: интеллектуальный анализ данных, рынок ценных бумаг, эконометрические модели, управление портфелем, машинное обучение
Список литературы:
López-Robles J.R., Rodríguez-Salvador M., Gamboa-Rosales N.K. et al. The Last Five Years of Big Data Research in Economics. Econometrics and Finance: Identification and Conceptual Analysis. Procedia Computer Science, 2019, vol. 162, pp. 729–736. URL: Link
Hayakawa K. Recent Development of Covariance Structure Analysis in Economics. Econometrics and Statistics, 2021. URL: Link
Henrique B.M., Sobreiro V.A., Kimura H. Literature Review: Machine Learning Techniques Applied to Financial Market Prediction. Expert Systems with Applications, 2019, vol. 124, pp. 226–251. URL: Link
Берзон Н.И., Буянова Е.А., Газман В.Д. и др. Инновации на финансовых рынках. М.: ВШЭ, 2013. 424 с.
Semenkova E.V., Andrianova L.N., Krinichansky K.V. The Concept of Fair Pricing in the Regulation Framework of the Russian Securities Market. Journal of Reviews on Global Economics, 2018, vol. 7, pp. 562–571.
Криничанский К.В., Безруков А.В. Некоторые практические задачи модели оптимизации портфеля // Журнал экономической теории. 2012. № 3. С. 142—147. URL: Link
Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 2019, vol. 1, pp. 206–215. URL: Link
Zolfaghari M., Gholami S. A Hybrid Approach of Adaptive Wavelet Transform, Long Short-Term Memory and ARIMA-GARCH Family Models for the Stock Index Prediction. Expert Systems with Applications, 2021, vol. 182. URL: Link
Pagach D.P., Warr R.S. Analysts Versus Time-Series Forecasts of Quarterly Earnings: A Maintained Hypothesis Revisited. Advances in Accounting, 2020, vol. 51, no. 100497. URL: Link
Floros C., Gkillas K., Konstantatos C., Tsagkanos A. Realized Measures to Explain Volatility Changes over Time. Journal of Risk and Financial Management, 2020, vol. 13, iss. 6, p. 125. URL: Link
Christina Dan Wang, Zhao Chen, Yimin Lian, Min Chen. Asset Selection Based on High Frequency Sharpe Ratio. Journal of Econometrics, 2022, vol. 227, iss. 1, pp. 168–188. URL: Link
Zheng J., Wang Y., Li S., Chen H. The Stock Index Prediction Based on SVR Model with Bat Optimization Algorithm. Algorithms, 2021, vol. 14, iss. 10, p. 299. URL: Link
Barak S., Arjmand A., Ortobelli S. Fusion of Multiple Diverse Predictors in Stock Market. Information Fusion, 2017, vol. 36, pp. 90–102. URL: Link
Vijh M., Chandola D., Tikkiwal V.A., Kumar A. Stock Closing Price Prediction using Machine Learning Techniques. Procedia Computer Science, 2020, vol. 167, pp. 599–606. URL: Link
Ghosh P., Neufeld A., Sahoo J.K. Forecasting Directional Movements of Stock Prices for Intraday Trading using LSTM and Random Forests. Finance Research Letters, 2022, vol. 46, part A, no. 102280. URL: Link
Chen Y., Liu K., Xie Y., Hu M. Financial Trading Strategy System Based on Machine Learning. Mathematical Problems in Engineering, 2020, pp. 10–23. URL: Link
Kumar A., Lei Z., Zhang C. Dividend Sentiment, Catering Incentives, and Return Predictability. Journal of Corporate Finance, 2022, vol. 72, no. 102128. URL: Link
Chang J., Tu W., Yu C., Qin C. Assessing Dynamic Qualities of Investor Sentiments for Stock Recommendation. Information Processing & Management, 2021, vol. 58, iss. 2, no. 102452. URL: Link
Hung H.-C., Chuang Y.-J., Wu M.-C. Customizable and Committee Data Mining Framework for Stock Trading. Applied Soft Computing, 2021, vol. 105, no. 102277. URL: Link
Koratamaddi P., Wadhwani K., Gupta M., Sanjeevi S. Market Sentiment-Aware Deep Reinforcement Learning Approach for Stock Portfolio Allocation. Engineering Science and Technology, an International Journal, 2021, vol. 24, iss. 4, pp. 848–859. URL: Link
Ahmadi E., Jasemi M., Monplaisir L. et al. New Efficient Hybrid Candlestick Technical Analysis Model for Stock Market Timing on the Basis of the Support Vector Machine and Heuristic Algorithms of Imperialist Competition and Genetic. Expert Systems with Applications, 2018, vol. 94, pp. 21–31. URL: Link
