Анна Викторовна Зиненко - кандидат технических наук, доцент, кафедра «Экономическая и финансовая безопасность».
660041, Красноярск, просп. Свободный 79
Anna V. Zinenko - Cand. Sci. (Eng.), Assoc. Prof.; Department of Economic and Financial Security.
79 Svobodny Ave., Krasnoyarsk 660041
Цель. Целью исследования является повышение эффективности инвестиционных решений путем разработки алгоритма машинного обучения «Модифицированный случайный лес» для формирования инвестиционного портфеля.
Метод. Предложен алгоритм бинарной классификации «Модифицированный случайный лес», основанный на алгоритмах машинного обучения «Дерево решений» и «Случайный лес». На первом этапе алгоритм строит дерево решений, основанное на прогнозах наивным методом и методом ARIMA, на втором этапе – формирует «лес» деревьев из случайных подвыборок.
Результат. Алгоритм протестирован на разных временных промежутках на инструментах российского индекса Мосбиржи и американского индекса NASDAQ. Для оценки точности работы алгоритма были выбраны метрики Precision, Recall, Accuracy. Для сравнения был произведён отбор акций в портфель при тех же условиях классическим методом задачи Марковитца, результаты которого по соответствующим метрикам оказались несколько слабее. Предложенный алгоритм занимает существенно меньше времени работы, поскольку не решает задачу оптимизации при формировании портфеля.
Вывод. Разработанный алгоритм машинного обучения «Модифицированный случайный лес», основанный на методах прогнозирования Arima и наивный прогноз, позволяет решить задачу повышения эффективности управления инвестиционным портфелем, а также в силу своей бинарности может быть использован не только в финансовой сфере, но и для задачи классификации любых других прогнозируемых объектов.
Objective. The aim of the study is to improve the efficiency of investment decisions by developing a machine learning algorithm "Modified Random Forest" for forming an investment portfolio.
Method. The article proposes a binary classification algorithm "Modified Random Forest" based on the machine learning algorithms "Decision Tree" and "Random Forest". At the first stage, the algorithm builds a decision tree based on forecasts using the naive method and the ARIMA method, and at the second stage, it forms a "forest" of trees from random subsamples.
Result. The algorithm was tested on different time intervals on the instruments of the Russian Moscow Exchange index and the American NASDAQ index. To assess the accuracy of the algorithm, the Precision, Recall, and Accuracy metrics were selected. For comparison, shares were selected for the portfolio under the same conditions using the classical Markowitz problem method, the results of which for the corresponding metrics were somewhat weaker. At the same time, the proposed algorithm takes significantly less time to run, since it does not solve the optimization problem when forming a portfolio.
Conclusion. The developed machine learning algorithm "Modified random forest", based on the Arima forecasting methods and naive forecast allows solving the problem of increasing the efficiency of investment portfolio management, and due to its binary nature, it can be used not only in the financial sector, but also for the task of classifying any other predicted objects.
The authors declare that there are no conflicts of interest present.