Add files via upload

README.md

@@ -1 +1,43 @@
-# инференс модели 
+# Прогнозирование цены закрытия индекса МосБиржи
+Наша модель прогнозирует цену закрытия индекса МосБиржи на текущий день, основываясь на данных, известных при открытии биржи и статей с новостных источников. Это может быть полезно проп-трейдерам/equity-тредерам:
+* Так как динамика индекса МосБиржи показывает динамику всего Российского фондового рынка, на основании поведения индекса можно сделать предположение о поведении акций - основных компонентов индекса (Лукойл/Газпром/Сбер и т. д.).
+* Есть фонды, составы портфелей которых реплицируют индекс МосБиржи (практически 1:1). Соответственно, зная утром, где будет цена, вечером можно открыть короткие/длинные позиции для заработка на изменении значения индекса.
+
+## Анализ временного ряда
+Для бейзлайна и грамотного построения признакового пространства сначала анализировался сам временной ряд.
+<p align="center">
+<img src="https://github.com/neirosetochka/MOEX-news-prediction/assets/72963340/0ad145a6-3c18-4947-a88c-f1ed91dfdb63" width=70%> 
+</p>
+Затем строилась модель Тейла-Вейджа, которая использовалась для сравнения качества прогнозирования.
+<p float="left">
+<img src="https://github.com/neirosetochka/MOEX-news-prediction/assets/72963340/6a0748ca-116e-4cc7-a6f4-cee44ccb2631" width=50% />
+<img src="https://github.com/neirosetochka/MOEX-news-prediction/assets/72963340/046f38eb-1c25-424f-b43f-c33b6feabdcf" width=40% />
+</p>
+
+## Признаки
+Наше признаковое пространство состоит из следующих компонент:
+* данные предыдущего дня (close, divisor, capitalization);
+* временные данные (день, месяц, день недели);
+* новости (политика, финансы, экономика).
+
+## Представление состояния на текущий день
+Каждый день должен характеризоваться «состоянием мира» на данный момент: то есть, мы должны иметь вектор, агрегирующий информацию о новостях сегодняшего дня и всех предыдущих (он также должен легко обновляться при появлении новой статьи).
+Поэтому мы:
+  1. Получили векторное представление всех статей с помощью BERT
+  2. С помощью PCA понизили размерность этих представлений.
+  3. Каждый день представили средним арифметическим получившихся на шаге 2 представлений.
+  4. Для каждого дня получили его представление с учетом предыдущей истории с помощью скользящего среднего: $h_t = \alpha * h_{t-1} + (1 - \alpha) * v_t$\
+     Здесь $v_t$ - представление текущего дня на шаге 3; $\alpha$ - гиперпараметр.
+
+Признавое описание объектов затем подается CatBoostRegressor.
+## Результаты
+Модель хорошо уловила тенденцию цены индекса:
+<p align="center">
+<img src="https://github.com/neirosetochka/MOEX-news-prediction/assets/72963340/afeb6cf7-911c-4102-91c1-ab85c2a4c116" width=80%> 
+</p>
+
+## Дизайн
+Минималистичный интерфейс позволяет по введенным данным предсказать цену закрытия:
+<p align="center">
+<img src="https://github.com/neirosetochka/MOEX-news-prediction/assets/72963340/cb1ce6f3-eb74-4e98-b8d7-9a0f08dfb900" width=80%>
+</p>