Details

Целью работы является формирование и реализация автоматизированной модели анализа рыночных индикаторов для обнаружения нестандартных ценовых колебаний и генерации инвестиционных рекомендаций в условиях волатильности фондового рынка. Были решены следующие задачи: 1. Изучены теоретические основы инвестиционного анализа и поведенческих факторов на фондовом рынке. 2. Систематизированы подходы к принятию инвестиционных решений в условиях нестабильности. 3. Проанализированы рыночные аномалии и их провоцирующие факторы на примере российского рынка за 2022–2024 гг. 4. Определены индикаторы, применимые для анализа нестандартных движений котировок (RSI, MACD, EMA, стохастик, объёмы и др.). 5. Разработан алгоритм на языке Python для расчёта технических показателей и метрик эффективности (Sharpe, Treynor, Beta, Alpha). 6. Интегрирован Telegram-бот для автоматической отправки сигналов и аналитики в реальном времени. Актуальность темы обусловлена необходимостью частных и институциональных инвесторов иметь доступ к оперативным и обоснованным инвестиционным сигналам в условиях растущей рыночной нестабильности и цифровизации трейдинга. Использование алгоритмического анализа позволяет повысить точность оценок и снизить влияние человеческого фактора. Источниками информации выступили рыночные данные с API биржевых сервисов, исторические котировки, научные публикации, материалы ЦБ РФ, а также документация по программным библиотекам Python. Результатом исследования стала функциональная система поддержки инвестиционных решений, объединяющая технический анализ, распознавание рыночных аномалий и оценку инвестиционной эффективности, адаптированная для практического применения на российском рынке.

The objective of this thesis is to design and implement an automated model for analyzing market indicators to detect abnormal price fluctuations and generate investment recommendations under conditions of stock market volatility. The following tasks were accomplished during the research: Theoretical foundations of investment analysis and behavioral factors in the stock market were studied. Approaches to decision-making under conditions of financial instability were systematized. Market anomalies and their triggering factors were analyzed using the Russian stock market data for the period 2022–2024. Key indicators for detecting abnormal price movements were identified (RSI, MACD, EMA, stochastic oscillator, volume, etc.). A Python-based algorithm was developed to calculate technical indicators and performance metrics such as Sharpe, Treynor, Beta, and Alpha coefficients. A Telegram bot was integrated to provide automated delivery of trading signals and real-time analytics. The relevance of this topic is driven by the increasing demand from both retail and institutional investors for timely and well-grounded investment signals in the context of growing market volatility and the digitalization of trading processes. Algorithmic analysis improves the accuracy of assessments and reduces the influence of human bias. The information base includes stock market data accessed via broker API services, historical price series, academic literature, publications by the Central Bank of Russia, and documentation on Python programming libraries. As a result, a functional investment decision support system was developed, combining technical analysis, detection of market anomalies, and investment performance evaluation. The model is adapted for practical use on the Russian stock market and provides tools for informed and automated decision-making.