Статья посвящена разработке и оценке моделей машинного обучения для раннего прогнозированиянаправлений движения активов относительно бенчмарка на основе многомерных рыночных факторов. Показано,что гибридные ML-модели, объединяющие временные, межрыночные и структурные признаки, позволяют формировать устойчивые сигналы рыночных изменений. Продемонстрирована практическая применимость результатов не только для финансового анализа, но и для девелоперской отрасли: раннее выявление фаз рыночнойротации улучшает прогноз спроса на жильё, позволяет корректировать маркетинговые стратегии, определять динамику доступности ипотечного капитала и планировать объёмы строительства. Результаты исследования расширяют инструментарий анализа российского жилищного рынка, усиливая возможности прогнозирования поведения покупателей и инвестиционной активности. Цель исследования – выявление и обоснование оптимальныхмоделей машинного обучения для раннего прогнозирования направлений движения финансовых активов относительно рыночного бенчмарка на основе многомерных рыночных факторов, с последующей возможностью формирования торговых стратегий с повышенной доходностью.

This article focuses on the development and evaluation of machine learning models for early forecasting of assetmovement directions relative to a benchmark based on multidimensional market factors. It is shown that hybrid ML models integrating temporal, cross-market, and structural features make it possible to generate robust signals of market regimechanges. The practical applicability of the results is demonstrated not only for financial analysis but also for the real estatedevelopment sector: early identification of market rotation phases improves housing demand forecasting, allows for adjustments in marketing strategies, supports the assessment of mortgage capital availability dynamics, and facilitates construction volume planning. The findings expand the analytical toolkit of the Russian housing market and strengthen the capacityto forecast buyer behavior and investment activity.