Применение методов машинного обучения для проведения фундаментального анализа биржевых валютных курсов

Диплом (ВКР) по теме «Применение методов машинного обучения для проведения фундаментального анализа биржевых валютных курсов»

Вы пишете ВКР по теме «Применение методов машинного обучения для проведения фундаментального анализа биржевых валютных курсов» в ВШЭ по специальности 09.03.02? В этой статье — структура, актуальные данные, примеры кода на Python, требования ГОСТ 34.602-2020 и 7.0.100-2018, а также чек-лист перед сдачей. Всё, что нужно, чтобы пройти защиту без доработок.

Нужен разбор вашей темы Применение методов машинного обучения для проведения фундаментального анализа биржевых валютных курсов? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Финансовые рынки становятся всё сложнее. По данным Банка России (2024), объем внебиржевых валютных операций в РФ вырос на 37% за год. Ручной анализ макроэкономических индикаторов (ВВП, инфляция, процентные ставки) уже не справляется с темпами.

Здесь и вступают в игру методы машинного обучения. Они позволяют обрабатывать сотни факторов одновременно: от новостей ЦБ до соцсетей. Например, модель LSTM может предсказывать динамику EUR/RUB с точностью до 68% при корректной предобработке данных — как показало исследование на данных Московской биржи за 2023 год (CyberLeninka, 2024).

На практике студенты часто ограничиваются техническим анализом. Но фундаментальный — глубже. Он требует интеграции данных из разных источников: API ЦБ, FRED, Reuters. Это и делает тему перспективной для ВКР в ВШЭ.

Цель и задачи

Цель: Разработка и оценка эффективности модели машинного обучения для прогнозирования валютных курсов на основе фундаментальных экономических показателей.

Задачи исследования:

1. Изучить теоретические основы фундаментального анализа валютных рынков.
2. Проанализировать существующие подходы к прогнозированию курсов с помощью ML.
3. Собрать и предобработать набор данных: макроэкономические индикаторы, процентные ставки, торговые балансы.
4. Разработать модель на основе алгоритмов (например, Random Forest, XGBoost, LSTM).
<5>Оценить точность модели с помощью метрик: MAE, RMSE, R².
5. Сравнить результаты с базовой моделью (например, ARIMA).
6. Оценить экономическую целесообразность внедрения.

Задачи соответствуют структуре методички ВШЭ по Прикладной информатике: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

Объект: Финансовый рынок — конкретно, котировки валютных пар на Московской бирже (например, USD/RUB, EUR/RUB).

Предмет: Процесс прогнозирования курсов с использованием моделей машинного обучения, обучающихся на фундаментальных данных.

Важно: не путать с техническим анализом. Фундаментальный — это не свечи, а ВВП, инфляция, политические события. Это ключевое отличие, на которое обращают внимание научные руководители.

Ожидаемые результаты и практическая значимость

Результаты:

• Рабочая модель ML с точностью прогноза не ниже 65% (R²).
• Интерфейс для визуализации прогнозов (например, Streamlit-приложение).
• Расчёт экономического эффекта: снижение рисков при хеджировании для экспортеров.

Практическая значимость: Разработанная модель может быть интегрирована в аналитические системы банков или торговых компаний. Например, при автоматическом формировании торговых сигналов.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

Современные финансовые рынки требуют высокоточных инструментов прогнозирования. Традиционные методы фундаментального анализа, основанные на ручной интерпретации макроэкономических данных, не справляются с объёмом и скоростью изменений. Это снижает эффективность принятия решений как для трейдеров, так и для компаний, работающих на валютном рынке.

Методы машинного обучения позволяют автоматизировать анализ сотен факторов: от процентных ставок до политических рисков. Однако в работах студентов ВШЭ часто наблюдается поверхностное применение моделей без учёта специфики российского рынка и качества данных. Это снижает практическую ценность исследований.

Целью данной работы является разработка и валидация модели машинного обучения для прогнозирования валютных курсов на основе фундаментальных экономических показателей. В ходе исследования будут использованы данные Центрального банка РФ, Федеральной резервной системы США и Московской биржи за период 2018–2024 гг.

Как написать заключение по Прикладная информатика

В ходе работы была разработана модель на основе градиентного бустинга (XGBoost) для прогнозирования курса USD/RUB. Модель показала R² = 0.67 на тестовой выборке, что на 12% выше, чем у ARIMA-модели. Это подтверждает гипотезу о преимуществе ML-подходов при работе с нелинейными зависимостями в финансовых данных.

Практическая значимость заключается в возможности интеграции модели в систему аналитики коммерческого банка. Расчёт показал, что при ежедневном использовании система может снизить валютные риски на 18–22% в годовом выражении.

Рекомендуется доработать модель за счёт интеграции NLP-анализа новостей и расширения набора признаков. Также важно учитывать сезонность и внешние шоки (например, санкции).

Требования к списку литератууры ВШЭ

Список литературы должен соответствовать ГОСТ Р 7.0.100-2018. Минимум 20 источников, из них не менее 10% — за 2023–2024 гг. Источники группируются по типам: законодательные акты, научные издания, интернет-ресурсы.

Примеры источников:

• Банк России. Обзор финансовой стабильности. — 2024. — № 1. — URL: https://www.cbr.ru/Content/Document/File/155558/fs_01_2024.pdf (дата обращения: 2026-06-10)
• Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2023. — 800 p.
• Потанин А.В. Применение машинного обучения в финансах // Вестник ВШЭ. — 2024. — Т. 18, № 2. — С. 45–67.

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, вы можете взять модель с Kaggle, но переобучить её на российских данных, изменить признаки, добавить интерпретацию. Чистое копирование — риск провала на защите.

Сколько страниц должна быть практическая часть?

В ВШЭ — 30–40 страниц. Должны быть: код, графики, метрики, сравнение моделей. Без этого комиссия сочтёт работу недостаточно прикладной.

Можно ли использовать open-source решения?

Да, и даже нужно. Библиотеки вроде scikit-learn, TensorFlow, yfinance — стандарт. Главное — правильно их оформить в списке инструментов и не копировать код без изменений.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?