Модификация алгоритма «Случайный лес» для выбора инвестиционных инструментов

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.

1. Боди, З., Кейн А., Маркус А. Принципы инвестиций: пер. с англ. Москва, Издательский дом «Вильямс», 2005. – 984 с.. ISBN 9785845913111

2. Касимов Ю.Ф. Финансовые инвестиции. – Москва, Анкил. – 2008. – 230 с.

3. Иванченко И.С., Осей Д.Д. Оптимизация структуры российских золотовалютных резервов при помощи модели Блэка — Литтермана // Финансовый журнал. – 2018. –№ 1 (41). DOI: 10.31107/20751990-2018-1-26-38

4. Шарп У., Бэйли А. Инвестиции Пер. с англ. – Москва, ИНФРА-М, 2009 – 1027 с. ISBN 9785160167893

5. Косоруков О.А., Мищенко А.В. Исследование операций. – Москва: Экзамен. – 2003. – 448 с.

6. Зиненко А.В., Мартынова Т.А. Модифицированный алгоритм метода рюкзака для решения обратной задачи Марковитца// Финансовая экономика, 2024. – № 6. – С. 136 – 139.

7. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. – Москва, Мир. – 1974 – 820 с. ISBN 2100013644333

8. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. – Москва, МЦНМО. – 2024. – 484 с. ISBN 9785443920146

9. Zinenko A., Stupina A. Financial time series forecasting methods/ // ITM Web Conf. II International Workshop “Hybrid Methods of Modeling and Optimization in Complex Systems” (HMMOCS-II 2023). – 2024. – Vol 59. 02005. DOI: 10.1051/itmconf/20245902005

10. Chou J.-Sh., Chen K.-E. Optimizing investment portfolios with a sequential ensemble of decision tree-based models and the FBI algorithm for efficient financial analysis// Applied Soft Computing. – 2024. – Vol.158. – 111550. DOI: 10.1016/j.asoc.2024.111550

11. Марченко А.Л. Python: большая книга примеров. – Москва, Издательство Московского университета. – 2023. – 361 с.

12. Бринк Х., Ричардс Д., Феверлоф М. Машинное обучение. – Санкт-Петербург, Питер Айлиб. – 2017. – 336 с. ISBN 9785496029896

13. Рашка С., Мирджалили Р. Python и машинное обучение. – Москва, Packt. – 2020. – 656 с. ISBN 9785970604090

14. Картер Д. Искусственный интеллект. Машинное обучение. – Москва, «Автор». – 2024. – 268 с.

15. Habbab F., Kampouridis M. Anin-depth investigation of five machine learning algorithms for optimizing mixed-asset portfolios including REITs// Systems With Applications. – 2024. – Vol.235. –121102. DOI: 10.1016/j.eswa.2023.121102

16. Jun S.Y. et al. Stock investment strategy combining earnings power index and machine learning// International Journal of Accounting Information Systems. – 2022. –Vol. 47. –100576. DOI: 10.1016/j.accinf.2022.100576

17. Behera J. et al. Prediction based mean-value-at-risk portfolio optimization using machine learning regression algorithms for multi-national stock markets// Engineering Applications of Artificial Intelligence. – 2023. – Vol. 120. – 105843. DOI: 10.1016/j.engappai.2023.105843

18. 190. Parisi L., Manaog M.L. Optimal Machine Learningand Deep Learning-driven algorithms for predicting the future value of investments: A systematic review and meta-analysis// Engineering Applications of Artificial Intelligence. – 2025. – Vol. 142. – 109924. DOI: 10.1016/j.engappai.2024.109924

19. Ramirez H.E., Serrano R. Optimal investment with insurable background risk and nonlinear portfolio allocation frictions// Applied Mathematics and Computation. – 2025. – Vol. 485 – 129023. DOI: 10.1016/j.amc.2024.129023.

20. Lin W., Taamouty A. Portfolio selection under non-gaussianity and systemic risk: A machine learning based forecasting approach// International Journal of Forecasting. – 2024. – Vol. 40 – Pp. 1179 – 1188. DOI: 10.1016/j.ijforecast.2023.10.007.