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

Аспирант базовой кафедры инфраструктуры финансовых рынков ФЭН, преподаватель магистерских программ «Финансовый инжиниринг» и «Инвестиции на финансовых рынках» Никита Лысёнок опубликовал статью в журнале «Фундаментальная и прикладная математика» (№4, 2025), индексируемом в Scopus, посвящённую применению машинного обучения для прогнозирования волатильности на российском фондовом рынке

В работе сравнивается эффективность трёх алгоритмов машинного обучения (Random Forest, XGBoost, LightGBM) с классической эконометрической моделью HAR на данных десяти наиболее ликвидных акций Московской биржи за период 2014–2025 гг. Новизна подхода заключается в комбинации высокочастотных данных с реализованной волатильностью и нелинейными методами прогнозирования, адаптированными к специфике российского рынка.

Результаты показали устойчивое превосходство ML-моделей: лучший алгоритм LightGBM продемонстрировал улучшение точности прогнозов на 23% по сравнению с базовой моделью.

Для проверки практической ценности разработана торговая стратегия WAIT Strategy, использующая ML-прогнозы волатильности для оптимизации момента входа в позицию. За период 2020–2025 гг. стратегия увеличила среднегодовую доходность более чем вдвое (с 6,48% до 13,68%), а коэффициент Шарпа — на 58%. Результаты особенно значимы для институциональных инвесторов с активными торговыми стратегиями, где точность прогнозирования волатильности напрямую влияет на качество управления рисками и доходность портфеля.

Результаты исследования легли в основу авторского курса «Алгоритмическая торговля и количественные стратегии»  для магистерских программ.

 

Ключевой вывод исследования: применение прогнозов волатильности на базе машинного обучения существенно повышает эффективность торговых стратегий на российском фондовом рынке, особенно в условиях повышенной турбулентности и структурных изменений.