Нейросетевое тестирование алгоритма разметки данных для классификации уровней поддержки и сопротивления на финансовых рынках | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 70. DOI: 10.17223/19988605/70/9

Нейросетевое тестирование алгоритма разметки данных для классификации уровней поддержки и сопротивления на финансовых рынках

Представлен алгоритм разметки данных для обучения классификатора, способного определять уровни поддержки и сопротивления на данных финансовых рынков. На основе данных, полученных с помощью этого алгоритма, была обучена модель CNN-LSTM-MLP, включающая блок каузальных сверток, LSTM и полносвязные слои. Эксперимент с простой торговой стратегией продемонстрировал практическую применимость модели, сопровождавшуюся повышением доходности на 10% в сравнении с базовой стратегией, где модель не была использована. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 14

Ключевые слова

данные рыночных котировок, глубинное обучение, причинно-следственная связь, уровни поддержки, уровни сопротивления

Авторы

ФИО	Организация	Дополнительно	E-mail
Хайров Марк Альбертович	Томский политехнический университет	аспирант отделения информационных технологий Инженерной школы информационных технологий и робототехники	mah9@tpu.ru
Спицын Владимир Григорьевич	Томский политехнический университет; Томский государственный университет	доктор технических наук, профессор отделения информационных технологий Инженерной школы информационных технологий и робототехники; профессор	spvg@tpu.ru

Всего: 2

Ссылки

Osier C. L. Support for resistance: technical analysis and intraday exchange rates // Economic Policy Review. 2000. V. 6 (2). Р. 53-68.

Garzarelli F. et al. Memory effects in stock price dynamics: evidences of technical trading // Scientific Reports. 2014. V. 4 (1). Art. 4487.

Chung K., Bellotti A. Evidence and Behaviour of Support and Resistance Levels in Financial Time Series // arXiv preprint. 2021. URL: https://arxiv.org/abs/2101.07410 (accessed: 05.12.2024).

Sirignano J., Cont R. Universal features of price formation in financial markets: perspectives from deep learning // Quantitative Finance. 2019. V. 19 (9). P. 1449-1459.

Zhang Z., Zohren S., Roberts S. Deeplob: Deep convolutional neural networks for limit order books // IEEE Transactions on Signal Processing. 2019. V. 67 (11). P. 3001-3012.

Szegedy C. et al. Going deeper with convolutions // Proc. of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 1-9.

Tsantekidis A. et al. Using deep learning for price prediction by exploiting stationary limit order book features // Applied Soft Computing. 2020. V. 93. Art. 106401.

Ntakaris A. et al. Mid-price prediction based on machine learning methods with technical and quantitative indicators // PloS One. 2020. V. 15 (6). e0234107.

Ntakaris A. et al. Feature engineering for mid-price prediction with deep learning // IEEE Access. 2019. V. 7. P. 82390-82412.

LeCun Y. et al. Gradient-based learning applied to document recognition // Proc. of the IEEE. 1998. V. 86 (11). P. 2278-2324.

Wallbridge J. Transformers for limit order books // arXiv preprint. 2020. URL: https://arxiv.org/abs/2003.00130 (accessed: 05.12.2024).

Van Den Oord A., Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K., Wavenet: A generative model for raw audio // arXiv preprint. 2020. URL: https://arxiv.org/abs/1609.03499 (accessed: 05.12.2024).

Daily Treasury Bill Rates // U.S. Department of the Treasury. URL: https://home.treasury.gov/resource-center/data-chart-center/interest-rates/TextView?type=daily_treasury_bill_rates&field_tdr_date_value=2023 (accessed: 05.12.2024).

Maverick J.B. What the Sharpe Ratio Means for Investors // Investopedia. URL: https://www.investopedia.com/ask/answers/010815/what-good-sharpe-ratio.asp (accessed: 05.12.2024).