Данная статья посвящена исследованию метода прогнозирования цены акции на основе евклидова расстояния. Описывается широкое использование евклидова расстояния в науке, в частности исследуется применение в геоинформационных системах, физике и машинном обучении. В качестве данных для исследований предлагается использовать изменение цены акции Сбербанка, фондового рынка МосБиржи. Отмечается, что на фондовых рынках для прогнозирования используется фундаментальный и технический анализы. Постулатом технического анализа является утверждение, что в цене и ее истории движения заложена вся информация о рынке. Делается вывод о возможности использования евклидова расстояния для одномерного прогнозирования цены акции. В качестве данных предлагается использовать дневные цены акции, на момент закрытия, за пятилетний период. Формулируется алгоритм прогнозирования, который основывается на известной концепции «история повторяется». Производится предобработка данных: удаление данных за выходные и праздничные дни; перевод в процент изменения цены; обрезка аномальных всплесков; нормализация. Находятся евклидовы расстояния 976 отрезков изменения цены акции, с исследуемым отрезком. Приводится анализ полученных результатов. Прогнозирование на основе самого близкого отрезка дало точность 63,56%, а на основе десяти самых близких – 75,5 %. Отмечаются недостатки данного подхода, такие как не равномерность распределения евклидова расстояния. И отмечаются возможности по улучшению алгоритма, например дополнительное применение алгоритма динамической трансформации временной шкалы. Делается вывод, что тем не менее, полученный результат прогнозирования, например для трейдинга, является приемлемым.
This article examines a stock price forecasting method based on Euclidean distance. It discusses the widespread use of Euclidean distance in science, specifically exploring its applications in geographic information systems, physics, and machine learning. Fluctuations in the share price of Sberbank (traded on the Moscow Exchange) are proposed as the data source for the study. The article notes that fundamental and technical analyses are commonly used for forecasting in stock markets, highlighting the fundamental tenet of technical analysis: that the price and its movement history encapsulate all market information. The study concludes that Euclidean distance can be used for the univariate forecasting of stock prices. Daily closing prices over a five-year period are proposed as the data source. A forecasting algorithm is formulated based on the well-known concept that "history repeats itself." Data preprocessing involves removing data from weekends and holidays, converting values to percentage price changes, trimming anomalous spikes, and normalization. Euclidean distances are calculated between the price-change segment under analysis and 976 other segments. An analysis of the obtained results is presented. Forecasting based on the single closest segment yielded an accuracy of 63.56%, whereas using the ten closest segments resulted in 75.5% accuracy. Limitations of this approach, such as the non-uniform distribution of Euclidean distances, are noted, as are potential improvements – for instance, the additional application of the Dynamic Time Warping algorithm. Nevertheless, the conclusion is drawn that the forecasting result obtained is acceptable, particularly for trading applications.