2025, випуск 4, с. 115-127
Одержано 18.06.2025; Виправлено 31.10.2025; Прийнято 18.11.2025
Надруковано 08.12.2025; Вперше Online 15.12.2025
https://doi.org/10.34229/2707-451X.25.4.11
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Розробка систем підтримки прийняття рішень на основі нечіткої та бінарної логіки для валютного ринку FOREX
Н.Е. Кондрук 
, С.В. Гецко *
ДВНЗ «Ужгородський національний університет», Ужгород
* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Більшість авторів розглядали використання лише бінарної логіки та технічного аналізу, що не дозволяє ефективно врахувати невизначеність і динамічність ринку. Інші дослідники розглядали використання нечіткої логіки, однак ці дослідження обмежені локальними ринками, або не передбачають інтеграції з гнучкішими видами аналізу. Виявлено також, що не проводиться порівняльний аналіз ефективності різних логічних підходів (нечіткої, класичної, імовірнісної логіки), що створює прогалину в науковому обґрунтуванні вибору конкретного методу. Також практично не враховується потенціал мультитаймфреймового аналізу, хоча він здатен підвищити точність та стійкість прийнятих рішень. Вищесказане свідчить про потребу у комплексному дослідженні, яке б поєднало переваги різних логічних підходів, машинного навчання та мультитаймфреймового аналізу в рамках єдиної гібридної СППР. Це дозволило б також обґрунтовано підходити до вибору конкретного методу.
Мета дослідження – розробка мультитаймфреймових гібридних СППР для алгоритмічної торгівлі на основі нечіткої та класичної бінарної логіки з імовірнисними елементами. Це дасть можливість підвищити ефективність алгоритмічних торгових систем.
Результати. Дослідження полягало у розробці мультитаймфреймових гібридних СППР на основі бінарної та на основі нечіткої логіки з ймовірнісними елементами, а також їх порівняльному аналізі. Як джерело сигналів для подальшого прийняття рішень система використовує прогнози зроблені моделлю Random Forest. Cross-Validation використано, щоб навчити модель прогнозувати не лише значення відкриття, максимуму, мінімуму та закриття позиції (Open, High, Low, Close – OHLC), але й рівень достовірності цих прогнозів. Система нечіткої логіки Mamdani [13, 14] використана як система нечіткої логіки для СППР. Обидві СППР було реалізовано на мові програмування MQL5. Бектест проводився на платформі MT5. В результаті система підтримки прийняття рішень на основі нечіткої логіки показала значну перевагу над системою підтримки прийняття рішень на основі класичної бінарної логіки з Win Rate – 60,81 %, і річною прибутковістю – 58 % та коефіцієнтом Шарпа – 1,33. Водночас система підтримки прийняття рішень на основі бінарної логіки показала результати: Win Rate – 34,16 %, і річною прибутковістю – –95,46 % та коефіцієнтом Шарпа – –5. Прикладний аспект використання отриманого наукового результату це можливість вдосконалення СППР для прийняття торгових рішень.
Висновки. Дослідження показало, що мультитаймфреймна гібридна СППР на основі нечіткої логіки з ймовірнісними елементами дозволяє приймати ефективніші рішення за СППР на бінарній логіці. Дане дослідження дозволяє обґрунтовано підходити до вибору конкретного методу. Крім того, запропонована методологія та побудовані моделі можуть бути використані іншими дослідниками у сфері фінансових технологій для подальшого розвитку систем підтримки прийняття рішень на фінансових ринках. Перспективні дослідження будуть спрямовані на вдосконалення методів прогнозування часових рядів з метою покращення якості вхідних сигналів для торгової системи.
Ключові слова: алгоритмічна торгівля, FOREX, машинне навчання, нечітка логіка, Мамдані.
Цитувати так: Кондрук Н.Е., Гецко С.В. Розробка систем підтримки прийняття рішень на основі нечіткої та бінарної логіки для валютного ринку FOREX. Cybernetics and Computer Technologies. 2025. 4. С. 115–127. https://doi.org/10.34229/2707-451X.25.4.11
Список літератури
1. Кондрук Н.Е., Гецко С.В. Прогнозування валютних курсів з використанням моделей машинного навчання. Науковий вісник Ужгородського університету. Серія «Математика та інформатика». 2024. 45(2). С. 205–215. https://doi.org/10.24144/2616-7700.2024.45(2).205-215
2. Thogaram U., Asthana P.K. Algo Trading – A New Paradigm in The Stock Trading. 11th International Symposium on Electronic Systems Devices and Computing. 2023. https://doi.org/10.1109/ESDC56251.2023.10149864
3. Genesereth M., Kao E. Intoduction to Logic. Springer: Synthesis Lectures on Computer Science. 2022. 165 p. http://doi.org/10.1007/978-3-031-01798-8
4. Ebienazer J.S.C., Suruthipriya S.M. Fuzzy Logic. International Journal of Innovative Research in Information Security. 2023. 9(3). P. 147–152. https://doi.org/10.26562/ijiris.2023.v0903.19
5. Juszczuk P., Kruś L. Fuzzy trading system on the forex market for deriving the portfolio of instruments. Control and Cybernetics. 51. P. 467–486. https://doi.org/10.2478/candc-2022-0025
6. Singh J., Shahnaz, F. Chauhan, A. Design and Performance Study of Improved Fuzzy System with Genetic Algorithm. International Journal on Recent and Innovation Trends in Computing and Communication. 2023. https://doi.org/10.17762/ijritcc.v11i8s.7203
7. Sashank T., Sharma V., Vats S. Algorithmic Forex Trading: Expert Advisor Implementation of Automated Strategies. 2nd International Conference on Disruptive Technologies (ICDT). 2024. P. 347–352. https://doi.org/10.1109/ICDT61202.2024.10489230
8. Sharma A., Bhatnagar V., Bansal A. Technical analysis-based fuzzy support system for stock market trading. Int. J. Adv. Intell. Paradigms. 2020. 17. P. 193–207. https://doi.org/10.1504/IJAIP.2018.10010679
9. Kang L.W., Nordin M.I., Din A.S., Abu Seman M.T. Application of Fuzzy Logic in Stock Markets by Using Technical Analysis Indicators. International Conference on Robotics, Vision, Signal Processing and Power Applications. 2023. https://doi.org/10.1007/978-981-99-9005-4_59
10. Khan A.Z., Gupta P., Mehlawat M. A Fuzzy Rule-Based System for Portfolio Selection Using Technical Analysis. IEEE Transactions on Fuzzy Systems. 2024. 32. P. 4861–4875. https://doi.org/10.1109/TFUZZ.2024.3355515
11. Bisati A.I., Haque I., Ganai U.J., Gulzar I. Decision Making in Financial Markets: A Thematic Review and Discussion. Journal of Business Strategy Finance and Management. 2021. https://doi.org/10.12944/jbsfm.03.01-02.06
12. Nidhi R.M., Chou Y.L., Hashim H., Abd Rahman N., Mohd Ali J. Fuzzy Mamdani based user-friendly interface for food preservatives determination. Food and Bioproducts Processing. 2021. 126. P. 282–292. https://doi.org/10.1016/j.fbp.2021.01.012
13. Bates S., Hastie T., Tibshirani R. Cross-Validation: What Does It Estimate and How Well Does It Do It?. Journal of the American Statistical Association. 2021. 119. P. 1434–1445. https://doi.org/10.1080/01621459.2023.2197686
14. Ganeshsree S., Quek S.G., Lan H.L.T., Son H.L., Nguyen L.G., Ding W. et al. A New Design of Mamdani Complex Fuzzy Inference System for Multiattribute Decision Making Problems. IEEE Transactions on Fuzzy Systems. 2021. 29. P. 716–730. https://doi.org/10.1109/TFUZZ.2019.2961350
15. Kondruk N.E., Hetsko S.V. Raw Data for "Development of Decision Support Systems Based on Fuzzy and Binary Logic for the FOREX Foreign Exchange Market" (Version V1) [Data set]. 2025. https://doi.org/10.6084/m9.figshare.30336691
16. Niu H., Li S., Li J. MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization. Proceedings of the 31st ACM International Conference on Information & Knowledge Management. 2022. https://doi.org/10.1145/3511808.3557363
17. MetaTrader 5 Trading Platform. https://www.metaquotes.net/en/metatrader5 (звернення: 18.06.2025)
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна