Применение машинного обучения для прогнозирования волатильности и улучшения торговых стратегий на российском фондовом рынке

Фундаментальная и прикладная математика. 2025. Т. 25. № 4. С. 90–107.

Лысенок Н. И.

Цель исследования — оценить, в какой мере современные методы машинного обучения способны улучшить точность прогнозирования волатильности российских акций и приводят ли такие улучшения к реальным преимуществам при применении в инвестиционных стратегиях. В работе объединён обзор теоретических подходов к анализу волатильности с эмпирическим исследованием, основанным на высокочастотных данных по десяти наиболее ликвидным акциям Московской биржи за 2014–2025 гг. Три алгоритма машинного обучения (Random Forest, XGBoost, LightGBM) сравниваются с базовой моделью мультимасштабной автокорреляции HAR. Результаты показали устойчивое превосходство ML-моделей: прирост точности прогнозов (R² out-of-sample) составил 12–23% относительно HAR с LightGBM (R²=0,256 против 0,208). Практическая значимость верифицирована посредством построения портфелей с управлением риском на основе прогнозируемой волатильности (volatility-managed). Применение ML-прогнозов в стратегии за период 2020–2025 гг. обеспечивает значительный прирост среднегодовой доходности: с 6,48% до 13,68% при неизменных правилах принятия решений.

Ключевые слова: фондовый рынок, машинное обучение, торговые стратегии, прогнозирование волатильности