From 4b3f7c1ae91982071d79e16dcbfba8eed7b53d1d Mon Sep 17 00:00:00 2001
From: neirosetochka <72963340+neirosetochka@users.noreply.github.com>
Date: Wed, 29 May 2024 02:16:54 +0300
Subject: [PATCH] Add files via upload
---
README.md | 44 +++++++++++++++++++++++++++++++++++++++++++-
1 file changed, 43 insertions(+), 1 deletion(-)
diff --git a/README.md b/README.md
index 2413f31..13508fd 100644
--- a/README.md
+++ b/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.
+
+
+
+Затем строилась модель Тейла-Вейджа, которая использовалась для сравнения качества прогнозирования.
+
+
+
+
+
+## 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:
+
+
+
+
+## Дизайн
+Минималистичный интерфейс позволяет по введенным данным предсказать цену закрытия:
+
+
+