Применение алгоритмов машинного обучения для анализа и прогнозирования фондового рынка

<jats:p>Статья посвящена применению методов машинного обучения для анализа фондового рынка и прогнозирования цен финансовых активов. Цель работы — сопоставить результативность алгоритмов машинного обучения, нейросетевых и эконометрических моделей, а также оценить влияние различных типов исходных данных на качество прогнозирования. Проведен нарративный обзор исследований, опубликованных в 2021–2026 гг. и представленных в Scopus, Web of Science, arXiv и eLibrary.ru. Рассмотрены рекуррентные нейронные сети с долговременной краткосрочной памятью, модели ARIMA и GARCH, алгоритмы опорных векторов, случайного леса, CatBoost и методы обработки текстовых данных. Проанализированы решения, использующие биржевые котировки, новостные публикации, сведения об инсайдерских сделках и данные о социальных информационных кампаниях. Установлено, что модели LSTM на ряде рынков превосходят эконометрические и классические методы по показателям точности, однако их преимущество зависит от структуры данных, горизонта прогнозирования и особенностей конкретного рынка. Показано, что использование альтернативных данных может расширять информационную базу модели, но не обеспечивает устойчивого повышения точности без корректного отбора признаков и учета временной доступности информации. Наиболее перспективным направлением представляется объединение разнородных источников данных и специализированных алгоритмов в комплексные системы финансовой аналитики. Дополнительно выявлены ограничения, связанные с использованием исторических данных, необходимостью периодического дообучения моделей и проверкой их эффективности в реальном времени. Результаты могут использоваться при выборе методов и архитектуры информационных систем поддержки инвестиционного анализа.</jats:p>