Застосування машинного навчання в задачі відсіювання неефективних торгових сигналів згенерованих показниками механістичного підходу
DOI: 10.31673/2412-9070.2025.051067
Анотація
Предметом цього дослідження є застосування алгоритмів машинного навчання для відсіювання неефективних торгових сигналів, згенерованих індикаторами механістичного підходу до аналізу криптовалютних ринків. Мета роботи полягає у розробці та перевірці моделей ML, здатних підвищити прибутковість торгових стратегій завдяки фільтрації хибних сигналів, що виникають при використанні механістичних показників. Завдання дослідження включають: 1) формалізацію механістичних індикаторів (механістична ковзна, MAS Buy, MAS Sell); 2) використання методу потрійних барʼєрів для класифікації сигналів на ефективні та неефективні; 3) застосування та порівняння 5 алгоритмів машинного навчання (Summary Classifier, Catch22, Rocket, TimeCNN, Stacking); 4) оцінювання ефективності моделей за метриками ROC AUC, Precision, Recall, Average Precision та Sharpe Ratio; 5) ранжування моделей за допомогою багатокритеріального підходу до прийняття рішень. Отримані результати показали, що моделі машинного навчання у більшості випадків перевершують базову Dummy модель, особливо для довгих позицій, де зафіксовано вищі значення Sharpe Ratio та загальної прибутковості. Найкращі результати продемонстрували класифікатори Catch22, Rocket та Stacking. Натомість короткі позиції виявилися менш ефективними, що пов’язано зі зростаючим трендом криптовалют у 2019–2025 роках. Також встановлено, що варіації вікон (16, 32, 64, 128) істотно впливають на результати, підтверджуючи важливість оптимізації параметрів. Таким чином, робота демонструє доцільність інтеграції алгоритмів машинного навчання в механістичний підхід для підвищення якості торгових сигналів та прибутковості стратегій. Результати можуть бути використані для вдосконалення алгоритмічних систем торгівлі та розвитку нових підходів до застосування ML у напрямі обчислювальних фінансів.
Ключові слова: механістичний підхід; криптовалюта; ретроспективні тестування; машинне навчання; алгоритм; фільтрація; класифікатор; адаптивне навчання; метрика; цільова змінна.
