Сотрудник базовой кафедры инфраструктуры финансовых рынков Факультета экономических наук Высшей школы экономики Никита Лысенок провел исследование, в котором сравнил точность прогнозирования волатильности российского фондового рынка классическими эконометрическими методами и алгоритмами машинного обучения.
Ученый использовал высокочастотные данные по десяти наиболее ликвидным акциям Московской биржи за 2014–2025 годы с интервалом 10 минут. Классическую HAR-модель сравнили с алгоритмами Random Forest, XGBoost и LightGBM. Результаты показали устойчивое превосходство ML-подходов: средняя ошибка прогноза снизилась на 15%, а точность предсказаний выросла до 23%. Лучший результат — у LightGBM.
Ключевой фактор устойчивой доходности — это риск-менеджмент: точный прогноз волатильности позволяет своевременно сокращать позицию и избегать глубоких просадок
Симуляция реальной торговли акциями подтвердила экономический эффект: применение ML-моделей в риск-менеджменте позволило увеличить среднегодовую доходность с 6,48% до 13,68%. Исследователь подчеркивает: выигрыш достигается не за счет сверхдоходности отдельных сделок, а за счет кумулятивного эффекта — точная оценка волатильности позволяет своевременно сокращать позиции и избегать глубоких просадок.
При этом автор отмечает, что ML-модели чувствительны к настройке параметров и обучающим данным, а их прогнозы не гарантируют автоматической прибыли — трейдинг по-прежнему требует навыков и несет риски. Исследование опубликовано в журнале «Фундаментальная и прикладная математика».
Ранее Наука Mail писала о том, что российские ученые усилили квантовую криптографию для защиты связи.
