АДАПТИВНАЯ АРХИТЕКТУРА ДЛЯ АВТОМАТИЧЕСКОЙ ТОРГОВЛИ НА ОСНОВЕ АНСАМБЛЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ И КЛАССИЧЕСКИХ ПОДХОДОВ

ADAPTIVE ARCHITECTURE FOR AUTOMATED TRADING BASED ON AN ENSEMBLE OF MACHINE LEARNING AND CLASSICAL APPROACHES

Solobuto Aleksei Viktorovich

Graduate student, Moscow University of Finance and Law MFUA, Department of Information Systems and Technologies,

Russia, Moscow

АННОТАЦИЯ

Актуальность: В условиях возрастающей сложности финансовых рынков традиционные торговые системы демонстрируют недостаточную адаптивность. Это создает потребность в интеллектуальных архитектурах, способных к динамической перестройке и комбинированию различных прогнозных методик.

Цель: Разработать и обосновать архитектуру автоматической торговой системы, сочетающую ансамбль моделей машинного обучения с классическими аналитическими подходами для повышения робастности и прибыльности.

Методы: В основе исследования лежит принцип ансамблирования, включающий такие методы, как решающие деревья, нейронные сети и методы нечёткой логики. Классическая составляющая представлена техническим анализом и статистическими моделями.

Результаты: Предложена модульная архитектура системы, ключевым преимуществом которой является способность автоматически перераспределять веса внутри ансамбля моделей в ответ на смену рыночной волатильности и трендов. Это позволяет системе сохранять эффективность как на трендовых, так и на флэтовых рынках.

Выводы: Проведенное исследование доказывает, что гибридный подход, объединяющий ансамбль ML-моделей и классические подходы, является перспективным направлением для создания устойчивых и адаптивных автоматических торговых систем. Основной вклад работы — методология интеграции разнородных прогнозных компонентов в единую самонастраивающуюся систему.

ABSTRACT

Relevance: In the context of increasing financial market complexity, traditional trading systems demonstrate insufficient adaptability. This creates a demand for intelligent architectures capable of dynamic reconfiguration and the combination of various predictive methodologies.

Objective: To develop and substantiate the architecture of an automated trading system that combines an ensemble of machine learning models with classical analytical approaches to enhance robustness and profitability.

Methods: The research is based on the ensemble principle, incorporating machine learning methods such as decision trees, neural networks, and support vector machines. The classical component is represented by technical analysis and statistical models.

Results: A modular system architecture is proposed, whose key advantage is the ability to automatically redistribute weights within the model ensemble in response to changes in market volatility and trends. This allows the system to maintain effectiveness in both trending and flat markets.

Conclusions: The conducted research proves that a hybrid approach, combining an ensemble of ML models with classical approaches, is a promising direction for creating robust and adaptive automated trading systems. The primary contribution of the work is the methodology for integrating heterogeneous predictive components into a single self-adjusting system.

Ключевые слова: адаптивная архитектура, автоматическая торговля, машинное обучение, технический анализ.

Keywords: adaptive architecture, automated trading, machine learning, technical analysis.

Торговая система представляет собой два независимых сервиса: «Training Service» (сервис, на котором происходит обучение моделей) и «PortfolioService» (сервис, для управления портфелем).

Разделение системы на два независимых сервиса соответствует современным подходам к построению масштабируемых и гибких систем машинного обучения [1].

Назначение сервиса обучения заключается в обеспечении систематизированного и эффективного процесса обучения математических моделей прогнозирования инвестиционных решений на рынке ценных бумаг. Сервис выполняет сбор, очистку и предварительную обработку исторических и актуальных рыночных данных, строит и оптимизирует статистические и модели машинного обучения, проводит их валидацию и оценку качества прогнозов, а также сохраняет версии моделей в репозитории для дальнейшего использования. Сервис обучения формирует основу для точного прогнозирования и последующего применения моделей в сервисе принятия решений, обеспечивая независимость, масштабируемость и стабильность всей системы. Uml-диаграмма сервиса изображена на рисунке 1.

Рисунок 1. UML-диаграмма сервиса обучения моделей

В качестве системы управления базами данных для хранения информации о моделях, результатах обучения и тестирования, а также рыночных данных была выбрана PostgreSQL. Данное решение обосновано следующими преимуществами [2]:

1. PostgreSQL позволяет хранить не только классические реляционные таблицы, но и JSON, что особенно важно для хранения гиперпараметров моделей и нестандартизированных метрик качества. Это обеспечивает гибкость и расширяемость структуры данных без необходимости изменения схемы БД.
2. PostgreSQL гарантирует атомарность, согласованность, изолированность и долговечность транзакций, что критически важно для корректного ведения истории моделей, результатов backtest-ов и параметров обучения.
3. Финансовые данные являются временными рядами. PostgreSQL поддерживает эффективные индексы по временным меткам и агрегатные функции, что делает возможным быстрое выполнение аналитических запросов к историческим данным рынка ценных бумаг.

Er-диаграмма базы данных изображена на рисунке 2.

Рисунок 2. Er-диаграмма базы данных

Сервис управления портфелем предназначен для реализации автоматизированной поддержки процессов формирования, мониторинга и оптимизации инвестиционного портфеля на основе прогнозных моделей и актуальных рыночных данных. Его основная функция заключается в интеграции информации о текущем составе активов, денежных средствах и рыночных котировках с результатами работы интеллектуальных алгоритмов, что обеспечивает принятие обоснованных решений о покупке, продаже или удержании ценных бумаг.

Uml-диаграмма для сервиса управления портфелем изображена на рисунке 3.

Рисунок 3. Uml-диаграмма для сервиса управления портфелем

Таким образом, предложенное разделение системы на два специализированных сервиса позволяет достичь масштабируемости, модульности и устойчивости архитектуры: процессы обучения моделей изолированы от процессов их применения, что обеспечивает независимое развитие и совершенствование каждой подсистемы. В совокупности это создаёт целостную и гибкую платформу для интеллектуальной поддержки инвестиционных решений.

Работу всей системы можно разделить на несколько этапов:

1. Этап сбора и подготовки данных: StockExchangeAPI автономно собирает исторические и актуальные рыночные данные. Полученные данные сохраняются в реляционной базе PostgreSQL, где они проходят очистку, нормализацию и агрегацию в соответствии с временными интервалами (свечами). Данный этап обеспечивает формирование единых структурированных входных данных для обучения моделей [3].
2. Этап обучения и оценки моделей (TrainingService): На основе подготовленных данных выполняется обучение различных алгоритмов прогнозирования, реализованных в виде потомков абстрактного класса Model (DecisionTree, RandomForest, GradientBoosting, NeuralNetwork, LinearRegression, FuzzySet, HierarchyAnalyze) [4]. Для оценки качества прогнозов применяется модуль Backtest, который рассчитывает метрики точности (Precision, Recall) и показатели эффективности инвестиционных стратегий (Sharpe Ratio, Calmar Ratio). После валидации лучшие версии моделей сохраняются в репозиторий через ModelSaver и становятся доступными для передачи в PortfolioService. Передача моделей осуществляется через WebSocket, обеспечивая надёжное двустороннее соединение и потоковую загрузку моделей [5]. TrainingService полностью автономен — обновление данных и переобучение моделей выполняется еженедельно независимо от PortfolioService.
3. PortfolioService загружает модели, поступившие из TrainingService, через ModelAdapter. Актуальные рыночные данные получаются через StockExchangeAPI второго сервиса. Модели используются для прогнозирования динамики цен ценных бумаг и формирования торговых сигналов (купить, продать, удерживать актив).
4. PortfolioManager хранит информацию о составе портфеля: перечень активов (Stock), их количество, среднюю цену приобретения и денежный остаток. На основании прогнозов моделей и встроенных правил риск-менеджмента сервис принимает решения о ребалансировке портфеля, пересчёте стоимости активов и формировании рекомендаций. Класс Candle используется для анализа краткосрочной динамики инструментов и уточнения торговых сигналов.

Общий алгоритм работы системы изображен на рисунке 4.

Рисунок 4. Общий алгоритм работы системы. Источник: составлено автором самостоятельно

В данной работе была выполнена системная разработка архитектуры системы прогнозирования инвестиционных решений. Были определены ключевые компоненты системы, их функциональные роли и взаимодействие между ними, что обеспечило интеграцию математических моделей и алгоритмов в единый процесс принятия управленческих решений. Такой подход позволяет формализовать процессы анализа и прогнозирования на рынке ценных бумаг и создать основу для автоматизации принятия решений.

В рамках работы были построены математические модели, учитывающие неопределённость, риск и динамику рыночных процессов. Использование вероятностных и многокритериальных подходов позволило обеспечить более точное прогнозирование инвестиционных решений по сравнению с традиционными методами. Построенные модели обеспечивают гибкость и адаптивность системы, позволяя учитывать различные сценарии развития рыночной конъюнктуры.

На основе предложенных моделей разработаны алгоритмы принятия управленческих решений, включающие методы интеллектуального анализа данных. Алгоритмы обеспечивают системный и обоснованный подход к формированию инвестиционных стратегий, позволяя минимизировать риски и повышать эффективность управленческих решений в условиях неопределённости рынка.

Список литературы:

1. Шмитько А. М.  Проектирование микросервисной архитектуры программного обеспечения // Труды БГТУ. - 2017. - №283. - С. 122-125.
2. Николаенко М.А., Сидоренко А.С., Денисов. И.А., Гребенник О.Г., Игрунова С.В. MYSQL и PostgreSQL - сравнительный анализ // Экономика и социум. - 2015. - №14. - С. 131-133.
3. Павлов В.А., Солобуто А.В. Предобработка данных в задаче прогнозирования динамики ценных бумаг // Современные и информационные технологии в социальной сфере. - Чебоксары: Волжский филиал МАДИ, 2024. - С. 42-45.
4. Солобуто А.В., Павлов В.А. Применение градиентного бустинга для прогнозирования стоимости ценных бумаг // Современная наука: Актуальные проблемы теории и практики. Серия Естественные и Технические Науки. - 2025. - №8. - С. 137-142.
5. Шестаков В. С., Сагидуллин А. С. Применение технологии websocket в webприложениях технологического назначения // Изв. вузов. Приборостроение. 2015. Т. 58, № 4. С. 328—330.