Детальная информация

Целью работы является разработка алгоритма оптимизации моделей прогнозирования риск-метрик криптовалютной торговли (VaR, CVaR) с использованием генетической оптимизации на динамическом диапазоне для построения LightGBM моделей, адаптированных для высокочастотной торговли криптоактивами. В ходе исследования были решены следующие задачи: 1. Изучены современные подходы к моделированию рисков на криптовалютных рынках и выявлены их ограничения. 2. На основе анализа профильной научной и технической литературы сформирован обширный массив метрик и параметров, отражающих рискованность криптовалютной торговли, а также ряд производных им метрик. 3. Вышеперечисленные параметры рассчитаны на историческом датасете, а также замерен бенчмарк скорости расчета вышеописанных метрик и параметров для использования в ходе генетической оптимизации. 4. Разработан генетический алгоритм отбора наиболее эффективного по скорости и описательной силе в скользящем окне рыночного режима набора метрик и параметров. 5. Проведены бэк-тест и эмпирическая проверка алгоритма и результатов моделирования на результирующих наборах метрик и параметров на основе LightGBM-модели и анализ результатов в сравнении с иными стратегиями. Актуальность темы обусловлена потенциалом HFT-рынков и нетривиальностью их статистического анализа создания, а также необходимостью создания формализованных математических алгоритмов, способных учитывать различные рыночные режимы и поведенческие аномалии в условиях высокой волатильности криптовалютного рынка. Источниками информации послужили научные публикации в области финансового риск-менеджмента, а также техническая документация и профильная отечественная и зарубежная литература в области машинного обучения Практическая значимость работы заключается в построении математического алгоритма с прочным научным фундаментом, способного динамически с минимальной задержкой улавливать смены рыночных режимов на криптовалютных рынках и минимизировать уровень риска.

The purpose of the final qualification work is to develop an algorithm for optimizing models for forecasting risk metrics of cryptocurrency trading (VaR, CVaR) using genetic optimization on a dynamic range to build LightGBM models adapted for high-frequency trading of crypto assets. To achieve this goal, the following tasks were set and solved: 1. Modern approaches to modeling risks in cryptocurrency markets were studied and their limitations were identified. 2. Based on the analysis of specialized scientific and technical literature, an extensive array of metrics and parameters reflecting the riskiness of cryptocurrency trading, as well as a number of derivative metrics, were formed. 3. The above parameters were calculated on a historical dataset, and a benchmark for the speed of calculating the above metrics and parameters was measured for use in genetic optimization. 4. A genetic algorithm was developed for selecting the most effective set of metrics and parameters in terms of speed and descriptive power in a sliding window of the market mode. 5. A back test and empirical verification of the algorithm and modeling results on the resulting sets of metrics and parameters based on the LightGBM model were carried out, and the results were analyzed in comparison with other strategies. The relevance of the topic is due to the potential of HFT markets and the non- triviality of their statistical analysis of creation, as well as the need to create formalized mathematical algorithms that can take into account various market regimes and behavioral anomalies in the conditions of high volatility of the cryptocurrency market. The sources of information were scientific publications in the field of financial risk management, as well as technical documentation and specialized domestic and foreign literature in the field of machine learning The practical significance of the work lies in the construction of a mathematical algorithm with a solid scientific foundation, capable of dynamically capturing changes in market regimes in cryptocurrency markets with minimal delay and minimizing the level of risk.