Розробка систем підтримки прийняття рішень на основі машинного навчання з мульти-таймфреймними даними для алгоритмічної торгівлі на ринку Форекс

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2025.47(2).168-176

Ключові слова:

алготрейдинг, FOREX, машинне навчання, прогнозування, класифікація, LSTM

Анотація

Ефективнiсть систем пiдтримки прийняття рiшень (СППР) на ринку iноземних валют (FOREX) критично залежить вiд обраного таймфрейму та цiльової функцiї машинного навчання (ML-цiль). Необхiднiсть визначення оптимального поєднання цих факторiв обумовлює актуальнiсть даного дослiдження. Метою роботи є розробка та здiйснення порiвняльного аналiзу продуктивностi трьох архiтектур СППР (Системи A, B та C) для встановлення оптимального математичного формулювання задачi прогнозування ринку.

Було iмплементовано три архiтектури: Система А базується на регресiйному прогнозуваннi; Система В використовує класифiкацiю на ознаках одного таймфрейму (15М); Система С застосовує класифiкацiю з використанням мульти-таймфреймних ознак. Навчання моделей проведено на iсторичних даних, а їхня ефективнiсть верифiкована шляхом бектесту проведеного на незалежному (OOS) наборi даних.

Проведено дослiдження впливу мульти-таймфреймних ознак та ML-цiлi на продуктивнiсть СППР для активу XAU/USD. За результатами порiвняльного аналiзу, Система С продемонструвала винятковi результати, перевершивши iншi архiтектури: загальна прибутковiсть склала 3283,69%, а максимальна просадка (Max Drawdown) — лише 2,07%. Перспективи подальших дослiджень включають: розробку iнтегрованої методологiї управлiння ризиками на базi ML-моделей; впровадження механiзмiв раннього закриття позицiй (зокрема, Trailing SL); та вдосконалення СППР для компенсацiї деградацiї моделi.

Біографії авторів

Н. Е. Кондрук, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри кібернетики і прикладної математики. Кандидат технічних наук

С. В. Гецко, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспірант кафедри кібернетики і прикладної математики

Посилання

  1. Kondruk, N. E., & Hetsko, S. V. (2024). Forecasting currency rates using machine learning models. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 45(2), 205–215. https://doi.org/10.24144/2616-7700.2024.45(2).205-215
  2. Shah, J., Vaidya, D., & Shah, M. (2022). A comprehensive review on multiple hybrid deep learning approaches for stock prediction. Intell. Syst. Appl., 16, 200111. https://doi.org/10.1016/j.iswa.2022.200111
  3. Sattar, A., Sarwar, A., Gillani, S., Bukhari, M., Rho, S., & Faseeh, M. (2025). A Novel RMSDriven Deep Reinforcement Learning for Optimized Portfolio Management in Stock Trading. IEEE Access, 13, 42813–42835. https://doi.org/10.1109/ACCESS.2025.3546099
  4. Liu, F., Guo, S., Xing, Q., Sha, X., Chen, Y., Jin, Y., & Zheng, Q. (2024). Application of an ANN and LSTM-Based Ensemble Model for Stock Market Prediction. In 2024 IEEE 7th International Conference on Information Systems and Computer Aided Education (ICISCAE), 390–395. https://doi.org/10.1109/ICISCAE62304.2024.10761432
  5. Sako, K., Mpinda, B. N., & Rodrigues, P. C. (2022). Neural networks for financial time series forecasting. Entropy, 24(5), 657. https://doi.org/10.3390/e24050657
  6. Alfredo, C. S., & Adytia, D. A. (2022). Time series forecasting of significant wave height using GRU, CNN-GRU, and LSTM. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(5), 776–781. https://doi.org/10.29207/resti.v6i5.4160
  7. Taslim, D. G., & Murwantara, I. M. (2022). A Comparative Study of ARIMA and LSTM in Forecasting Time Series Data. In 2022 9th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE). Semarang: Indonesia, 231–235. https://doi.org/10.1109/ICITACEE55701.2022.9924148
  8. Ghosh, P., Neufeld, A., & Sahoo, J. K. (2021). Forecasting directional movements of stock prices for intraday trading using LSTM and random forests. Finance Research Letters, 102280. https://doi.org/10.1016/j.frl.2021.102280
  9. Gajamannage, K., Park, Y., & Jayathilake, D. (2023). Real-time forecasting of time series in financial markets using sequentially trained dual-LSTMs. Expert Syst. Appl., 223, 119879. https://doi.org/10.1016/j.eswa.2023.119879
  10. Dezhkam, A., Manzuri, M., Aghapour, A., Karimi, A., Rabiee, A., & Shalmani, S. (2022). A Bayesian-based classification framework for financial time series trend prediction. The Journal of Supercomputing, 79, 4622–4659. https://doi.org/10.1007/s11227-022-04834-4
  11. Chalkidis, N., & Savani, R. (2021). Trading via selective classification. Proceedings of the Second ACM International Conference on AI in Finance. https://doi.org/10.1145/3490354.3494379
  12. Welcome to python.org. Retrieved from https://www.python.org
  13. TensorFlow. Retrieved from https://www.tensorflow.org

##submission.downloads##

Опубліковано

2025-10-28

Як цитувати

Кондрук, Н. Е., & Гецко, С. В. (2025). Розробка систем підтримки прийняття рішень на основі машинного навчання з мульти-таймфреймними даними для алгоритмічної торгівлі на ринку Форекс. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 47(2), 168–176. https://doi.org/10.24144/2616-7700.2025.47(2).168-176

Номер

Том 47 № 2 (2025)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2025 Н. Е. Кондрук, С. В. Гецко

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.