Аннотация В современных условиях, обусловленных широкомасштабным применением искусственного интеллекта во всех сферах человеческой деятельности, важное значение имеет успешное применение DL-моделей в финансовой сфере, в алгоритмах биржевых торговых системах. Практика показывает, что обучение с учителем имеет широкие возможности. При таком подходе используются прошлые помеченные данные, которые используются для прогнозирования будущего путем выявления закономерностей в этих данных. К такому типу обучения относятся модели линейной регрессии и логистической регрессии. Рассмотрены подходы в формировании прогноза цены финансового актива – фьючерсного контракта на доллар SiH4 с применением системы искусственного интеллекта. Актуальность исследования состоит в том, что в современных условиях все чаще используются нейросети для формирования прогнозов цен финансовых активов на биржевом рынке. Научная новизна – в том, что выдвинута и доказана гипотеза, что, меняя тайм-фрейм от 1 часового, до 15 минутного и 1 минутного и можно повысить точность прогноза цены, используя DL-модель «Random Forest Regression». В ходе исследования были построены три DL-модели на разных тайм-фреймах. Практическая значимость в том, что результаты исследования могут быть использованы на практике в алгоритмах биржевых торговых роботах, что повышает результативность при проведении спекулятивных биржевых операций.
Abstract In modern conditions, due to the large-scale use of artificial intelligence in all spheres of human activity, the successful use of DL models in the financial sector, in algorithms of exchange trading systems, is important. Practice shows that learning with a teacher has ample opportunities. This approach takes past labeled data and uses it to predict the future by identifying patterns in that data. This type of learning includes linear regression and logistic regression models. Approaches to forming a forecast for the price of a financial asset - a futures contract for the dollar SiH4 using an artificial intelligence system are considered. The relevance of the study lies in the fact that in modern conditions neural networks are increasingly used to generate forecasts for the prices of financial assets on the stock market. The scientific novelty lies in the fact that a hypothesis has been put forward and proven that by changing the time frame from 1 hour, to 15 minutes and 1 minute, you can increase the accuracy of the price forecast using the DL-model “Random Forest Regression”. During the study, three DL models were built on different time frames. The practical significance is that the results of the study can be used in practice in exchange trading robot algorithms, which increases the effectiveness of speculative exchange operations.