Разработка системы автоматизации анализа инвестиционного портфеля с использованием нейросетевых методов и инфокоммуникационных API
Введение
В последние годы развитие цифровых технологий и процессов цифровизации экономики оказывает существенное влияние на финансовую сферу. Объёмы рыночной информации постоянно растут, увеличивается скорость её обновления, а сами данные становятся всё более разнородными. В этих условиях возрастает роль автоматизированных информационных и инфокоммуникационных систем, предназначенных для сбора, обработки и анализа больших массивов данных, в том числе в задачах инвестиционного анализа.
Финансовый рынок отличается высокой динамичностью и чувствительностью к внешним факторам. На изменение цен финансовых инструментов одновременно влияют рыночные показатели, макроэкономические события, корпоративные новости и общее информационное настроение участников рынка. Использование исключительно ручных методов анализа в таких условиях значительно усложняет процесс принятия инвестиционных решений и повышает риск субъективных ошибок, особенно при работе с краткосрочными стратегиями.
В связи с
Содержание
Введение 3
Глава 1 Теоретические основы автоматизированного анализа инвестиционного портфеля 13
1.1 Инвестиционный портфель как объект автоматизированного анализа 13
1.2 Инфокоммуникационные технологии в современных финансовых системах 18
1.3 Нейросетевые методы анализа финансовых временных рядов 22
1.4 Риск и неопределённость в задачах автоматизированного инвестиционного анализа 26
1.5 Методы машинного обучения в инвестиционном анализе: сравнительная характеристика 31
Глава 2 Анализ существующих решений и постановка задачи проектирования 36
2.1 Анализ существующих программных систем и сервисов автоматизации инвестиционного анализа 36
2.2 Анализ инфокоммуникационных API финансовых платформ и источников данных 38
2.3 Сравнительный анализ аналогов и выявление их недостатков 40
Глава 3 Проектирование и реализация системы автоматизированного анализа инвестиционного активов 45
3.1 Постановка задачи автоматизированного анализа инвестиционного портфеля 45
3.2 Архитектура системы автоматизированного анализа выборки акций 48
3.3 Модуль сбора и хранения данных 51
3.4 Подготовка данных и формирование признаков для нейросетевой модели 57
3.5 Реализация нейросетевой модели прогнозирования 60
3.6 Бэктестирование и оценка эффективности стратегии 63
3.7 Анализ результатов и ограничений разработанной модели 65
3.8 Анализ устойчивости модели к изменению рыночных условий 69
3.9 Перспективы развития разработанной системы 69
Заключение 71
Список использованных источников 74
Список использованных источников
1. Марковиц Г. Выбор портфеля / The Journal of Finance, том 7, 1952. – С. 77-91. [Электронный ресурс]. URL: https://assetallocation.ru/portfolio-selection/ (дата обращения: 03.01.2026).
2. Шарп У., Александер Г., Бэйли Дж. Инвестиции / пер. с англ. – М.: ИНФРА-М, 2010. -1028 с. [Электронный ресурс]. URL: https://djvu.online/file/Qc6nuy7mmoNSG (дата обращения: 03.01.2026).
3. Таненбаум Э., Уэзеролл Д. Компьютерные сети. – 5-е изд., 2012. – 960 с. [Электронный ресурс]. URL: https://djvu.online/file/qeEgLpmeTVkWr?ysclid=mlqnamcolp197722721 (дата обращения: 04.01.2026).
4. Соммервилл И. Инженерия программного обеспечения. – 9-е изд. – М.: Вильямс, 2011. 896 с. [Электронный ресурс]. URL: https://djvu.online/file/XSYvi7ZHnZ3RH?ysclid=mlqnd323dt2029040695. Московская биржа. Программный интерфейс ISS, Руководство разработчика. Версия 1.4, 2016. – URL: https://www.moex.com/ru/documents/6523 (дата обращения: 08.01.2026).
6. Scikit-learn – Машинное обучение [Электронный ресурс]. – https://pythonlib.ru/library-theme5 (дата обращения: 15.01.2026).
7. Pandas – Руководство библиотеке [Электронный ресурс]. – https://metanit.com/python/pandas/ (дата обращения: 15.01.2026).
8. Работа с базами данных и SQLite [Электронный ресурс]. – https://proglib.io/p/samouchitel-po-python-dlya-nachinayushchih-chast-22-osnovy-raboty-s-sqlite-2023-06-15 (дата обращения: 23.01.2026).
9. Telegram API [Электронный ресурс] – URL: https://botphp.ru/docs/api (дата обращения: 24.01.2026).
10. Чан Э. Алгоритмическая торговля: выигрышные стратегии и их обоснование 2013. – 224 с.
11. API Documentation Made Easy - Get Started [Электронный ресурс] – URL: https://docs.aws.amazon.com/AmazonS3/latest/API/Welcome.html (дата обращения: 24.01.2026).
Данное определение основывается на статистическом подходе и предполагает возможность количественной оценки риска с использованием математических методов [2].
Однако в условиях цифровой экономики и высокой информационной насыщенности рынков риск приобретает более сложную структуру. Это связано с увеличением скорости распространения информации, расширением числа факторов, влияющих на рыночную динамику, и повышением взаимосвязанности различных сегментов финансовой системы. В результате традиционные подходы к оценке риска требуют дополнения методами, учитывающими влияние информационных и технологических факторов, что особенно важно при разработке автоматизированных аналитических систем.
Для автоматизированных систем анализа инвестиционных активов важно различать следующие виды